چکیده: ناحیه بندی تصاویر اولین گام و یکی از مهم ترین بخش های یک سیستم بینایی ماشین یا پردازش تصویر می باشد، ازینرو خطای ناشی از این مرحله یک ورودی برای سایر بلوک های سیستم به شمار آمده و تاًثیر بسزایی در خطای کل سیستم خواهد داشت. بنابراین دقت این الگوریتم در کارآیی کلی سیستم نقش چشم گیری دارد .در این راستا هدف این تحقیق آن بوده است که روشی جدید برای ناحیه بندی تصاویر ارائه شود که دقت ناحیه بندی تصاویر را افزایش دهد. لازم به ذکر است که ناحیه بندی تصویر را می توان در دو حوزه ی ناحیه بندی با سرپرست و ناحیه بندی بدون سرپرست بررسی نمود. مبنای انجام این تحقیق ناحیه بندی بدون سرپرست می باشد. در این تحقیق ناحیه بندی بدون سرپرست را در سه شاخه ی ناحیه بندی تصاویر خاکستری، ناحیه بندی تصاویر رنگی و ناحیه بندی بافت ها مورد ارزیابی قرار خواهیم داد. برای ناحیه بندی تصاویر خاکستری هیستوگرام همبستگی را برای پیکسل های تصویر تعریف نموده و آن را بوسیله ی تلفیقی از توابع گوسی مدل می کنیم. آستانه های بهینه را برای ناحیه بندی تصویر از مدل تلفیقی مذکور بدست آورده و به تصویر مربوطه اعمال می کنیم. نتایج حاکی از بهبود عملکرد الگوریتم بویژه در تصاویر نویزی می باشد. برای ناحیه بندی تصاویر رنگی نیز یک روش جدید بر مبنای آستانه گذاری روی هیستوگرام ویژگی های مربوط به رنگ پیکسل های تصویر ارائه می کنیم. بدین منظور هیستوگرام رنگ را برای پیکسل های تصویر بدست آورده و با یک پیش پردازش آن را برای مدل سازی آماده می کنیم. سپس آستانه های مناسب را از مدل گوسی تلفیقی این منحنی بدست می آوریم. روش پیشنهادی در مقابل سایر روش های بررسی شده کارآیی بسیار خوبی دارد. بویژه در تصاویری که تحت تاًثیر نویز روشنایی محیط قرار گرفته اند کارآیی الگوریتم بصورت چشمگیر بهبود پیدا می کند. روش رایج ناحیه بندی بافت ها در تصاویر استفاده از فیلتر های گبور می باشد. اشکال عمده ی این روش حجم بالای محاسبات و وابستگی الگوریتم به پارامترهای بانک فیلتر طراحی شده می باشد. در این راستا روشی جدید ارائه نمودیم که از ویژگی های آماری توزیع روشنایی پیکسل های تصویر مانند میانگین و واریانس روشنایی پیکسل ها در همسایگی های با ابعاد مشخص استفاده می کند. نتایج حاکی از کارآمد بودن الگوریتم پیشنهادی می باشند.