图像分割是计算机视觉研究中的经典问题，已成为图像理解领域的热点。自1970年代以来，图像分割作为图像技术领域的经典问题，吸引了许多研究人员的研究热情。它付出了巨大的努力，并提出了许多图像分割算法。使用相关的图像分割质量度量来评估这些分割算法的分割性能的优缺点。然而，由于迄今为止尚未解决算法分割成功的客观标准，因此图像分割算法的分割质量评价已成为具有重要研究意义的课题。关于图像分割评估的方法已经进行了一些初步的讨论，但是仍然没有很好的总结和安排。这不仅与图像分割技术的研究和应用现状相称，而且不利于图像分割技术的发展。图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，也是图像处理中最困难的问题之一。所谓的图像分割是指根据诸如灰度，颜色，空间纹理和几何形状等特征将图像划分为几个不相交的区域，以便这些特征在同一区域但在不同区域之间显示出一致性或相似性。显示出明显的区别。简而言之，它是将图像中的目标与背景分开。对于灰度图像，该区域内的像素通常具有灰度相似性，并且在该区域的边界上通常具有灰度不连续。关于图像分割技术，由于问题本身的重要性和难度，自1970年代以来，图像分割问题已经吸引了许多研究者做出巨大的努力。尽管到目前为止还没有通用且完善的图像分割方法，但是对于图像分割的一般规则基本上已经达成共识，并且已经产生了大量的研究结果和方法。图像分割是指找到图像中感兴趣区域（ROI）的边界，以使边界内外的像素具有相似的特征（强度，纹理等）。医学图像分割是医学图像其他后续处理的基础。图像中目标区域的准确分割对于计算机辅助诊断，手术计划，目标的3D重建以及放射治疗评估具有重要意义。近几十年来，随着医学成像设备的不断完善，医学图像分割算法层出不穷，但在临床实践中却很少被广泛使用。使用全面的医学图像数据集来客观地评估医学图像分割算法是将算法推进临床应用的关键步骤。传统的图像分割方法是基于阈值的图像分割方法。阈值分割方法是一种传统的图像分割方法。 ，由于其实现简单，计算量小，性能相对稳定等特点，已经成为图像分割中最基础，应用最广泛的分割技术。阈值分割方法的基本原理是通过设置不同的特征阈值，将目标区域和背景区域的灰度等级不同的图像像素分为几类。它特别适用于目标和背景占据不同灰度范围的图像。它目前在图像处理领域得到了广泛的应用，阈值的选择是图像阈值分割的关键技术。灰度阈值分割方法是最常用的并行区域技术之一，是图像分割中使用最广泛的类别。如果图像仅使用目标和背景这两种类别，则只需选择一个阈值。这种分割方法称为单阈值分割。从输入图像f到输出图像g的单个阈值分割实际上是以下转换：在上面的表达式中，对于目标对象的图像元素g（i，j）= 1，对于图像，T是阈值背景（I，j）的元素g ＝ 0。但是，如果图像中需要提取多个目标，则单个阈值分割将是错误的。必须选择多个阈值以分隔每个目标。这种分割方法称为多阈值分割。阈值分割的结果取决于阈值的选择。可以看出，阈值分割算法的关键