Der Bildanalyseprozess von der Rauschfilterung auf der Pixelebene über die Gruppierung von Bildelementen bis zur Objekterkennung wird entscheidend durch die Segmentierung von Bildern gesteuert. Die Gruppierung der Pixel in homogene Bildbereiche verdichtet die Pixelinformation für nachgeschaltete Bildanalyseaufgaben wie z.B. Objekterkennung, Bildkompression oder inhaltsbasierte Bildsuche. Im Vortrag werden probabilistische Modelle zur Bildsegmentierung diskutiert, die auf der Basis von Farb- und Texturinformation als Mischungsmodelle definiert werden. Der Entwurf der Segmentierungsalgorithmen orientiert sich an den drei in der Mustererkennung üblichen Ebenen, wonach (i) die in den Bilddaten gesuchten Strukturen mathematisch bewertet, (ii) durch effiziente Suchstrategien optimiert und (iii) validiert werden. Für die Suche nach Bildsegmenten werden stochastische Suchmethoden wie Gibbs-Sampling oder der Metropolis-Algorithmus eingesetzt. Die Validierung der Segmentierungslösungen wird mit Methoden aus der Informationstheorie und der statistischen Lerntheorie durchgeführt. Als weiteres Beispiel dieses Konzeptes wird ein Farbquantisierungsverfahren vorgestellt, das Halbtondarstellung und Quantisierung kombiniert.