图像分割是依据一定的相似性准则将图像分为几个有意义的、互不重叠的区域的一种图像处理办法。在同一区域内,图像的特征(如灰度、纹理、色彩)是相似的,而在不同的区域内,图像的特征则明显有所不同。阈值法因其简单实用的优点成为最常用的图像分割方法,但是它只利用了图像的灰度信息,在某些情况不能得到理想的分割结果。研究表明,同时考虑图像的灰度信息和像素间的空间相关性有助于改善分割结果,将像素之间的空间相关性引入阈值选择过程中,有利于改善分割结果,提高分割性能。在这方面,本论文利用非局部均值滤波和像素的局部梯度均值比率(Ratio)信息,通过构建二维直方图的方法,将像素间的空间邻域信息引入阈值分割过程中,具体来说,做了以下研究工作:首先,针对传统二维直方图忽略边缘信息的不足之处,提出了一种新的灰度-Ratio梯度二维直方图。灰度-Ratio梯度二维直方图由像素的局部梯度均值比率和灰度构成,它刻画了邻域内像素的灰度变化情况,同时,局部梯度均值比率只与比值有关而与均值大小无关,因此局部梯度均值比率可用一个全局阈值(T)与之进行比较,将两个参数结合到一起,从而提出一个新的二维直方图——一个关于灰度和均值比率的同时包含边缘信息的二维直方图——基于灰度-Ratio梯度二维直方图。然后在此基础上,本文给出了二维最小交叉熵阈值分割方法,获得了较好的分割效果。另外,针对传统的灰度-局部均值直方图会使图像模糊,丢失较多细节这一问题,提出了一种新的非局部均值二维直方图。该方法用图像像素邻域的非局部均值与图像灰度共同构造二维直方图。非局部均值滤波方法在保持更多的图像结构信息的同时,突破了传统滤波方法仅在图像局部较小邻域内加权平均的限制,与局部均值滤波相比,该方法可以在反映图像灰度的离散程度的同时较完整的保持图像中的细节信息。之后分析了相对熵的优点,在此基础上,进而提出基于灰度-非局部均值直方图的相对熵阈值分割方法,该方法在图像分割结果准确性上取得很好的效果。