当前位置：文档之家 › 8第五章图像分割.

8第五章图像分割.

  • 格式：ppt
  • 大小：13.60 MB
  • 文档页数：2

下载文档原格式

  / 2

合集下载

数字图像处理图像分割课件

数字图像处理图像分割课件

基于Mumford-Shah模 …
该方法可以获得更准确、更平 滑的分割结果，并且可以更好 地处理噪声和细节。此外，它 还可以更好地处理形状约束和 边界条件。
基于Mumford-Shah模 …
该方法需要更多的计算资源和 时间来处理每个时间点的水平 集，并且可能难以处理大规模 的形状变化和复杂的形状约束 。
响。
图像分割还可以帮助缩小处理和 分析的规模，提高处理效率，并 为后续的图像分析提供可靠的预
处理结果。
图像分割的分类
01
02
03
04
按照处理方式
图像分割可以分为阈值法、区 域生长法、边缘检测法、图切
割法等。
按照应用领域
图像分割可以分为医学图像分 割、遥感图像分割、人脸识别
等。
按照分割对象
图像分割可以分为二维图像分 割和三维图像分割。
该方法具有能够处理复杂的图像内容和噪声等优点，但也可能需要更多的计算资源和时间。
07
实例展示与结果分析
基于阈值的图像分割实例
总结词
简单、快速、有效的图像分割方法
详细描述
基于阈值的图像分割是一种基本的图像分割方法，通过设置不同的阈值将图像分 割成不同的区域。其优点是简单、快速、有效，适用于简单背景和对比明显的图 像。但是，对于复杂背景和低对比度图像，分割效果较差。
些方法可以自动适应不同图像的特点，且能够根据图像内容的变化自适
应调整阈值。
03
自适应阈值
根据图像的局部特征自适应地设置阈值，例如基于区域生长的方法、基
于边缘检测的方法等。这些方法能够更好地适应图像的局部特征，提高
分割的精度和鲁棒性。
阈值法的优缺点
优点
阈值法简单易行，适用于简单背景和 对比度较高的图像；对于实时性要求 较高的应用场景，阈值法具有较快的 处理速度。

第五章图像分割(新)-2PPT课件

第五章图像分割(新)-2PPT课件

15 14 87 83 81 80 85 81 81 *
**********
3 5 2 l 4 6 91 7 * *
(b)表示(a)中部分像素的灰度梯度值，
一部 分灰度梯度值较低，在0～15之间，
3 5 2 5 5 68 4 7 * * 8 5 5 2 2 98 4 7 * * 2 4 7 3 96 5 8 5 * *
17 10 18 14 85 84 82 85 88 * 显然，一部分像素的灰度较低，在10-20之间，
11 14 19 13 88 89 89 85 85 * 19 10 lO 84 88 81 89 84 80 *
而另一部分像素的灰度较高，在80～90之间。
11 16 89 82 89 82 81 88 89 *
素 p2 作为下一个边界点，并 此类推，得到封闭边界。
p1
与
p2
相连，以
一旦得到封闭边界，就可将位于边界一侧的像素归 入一子图像，而将其另一侧的像素归入另一子图像， 这样便完成了基于边界的图像分割。
方法一：将梯度值大的且相差较小(设阈值T)的像素连
接起来构成边界。 根据相邻边界像素的灰度梯度有一定相似性的原则，将
符合以下条件的相邻边界像素连接。 假设：像素(p，q)和(s，t)均为边界像素，其灰度梯度
的幅度和方向分别为G[f(p，q)]，G[f(s,t)]和φ[f(p， q)]，φ[f(s，t)]。按差分法计算灰度梯度幅度和梯度 方向的公式如下：
一方面，各种图像分割算法已成为图尚没有一种通用的分割算法 对各种图像均能得到满意的分割结果。
在实际应用中，应根据被处理图像的特点，合理地选择或 设计合适的分割方法。
图像分割方法
基于边界的图像分割； 阈值分割（全局阈值分割、局部阈值分割）； 阈值分割的推广—特征空间中的聚类分割图像

[课件]数字图像处理 第八讲 图像分割PPT

[课件]数字图像处理 第八讲 图像分割PPT

图像分割
拉普拉斯(Laplacian)算子是不依赖于边缘方向的 二阶微分算子。它是一个标量而不是向量，具有旋 转不变即各向同性的性质，在图像处理中经常被用 来提取图像的边缘。其表示式为
f x ,y f x ,y f x ,y 2 2 x y
2 2 2
f(x-1,y-1) f(x-1,y)
f(x,y-1) f(x,y-1) f(x,y) f(x,y) f(x,y+1)
f(x+1,y-1) f(x+1,y) f(x+1,y+1)
图像分割
选取适当的门限TH，作如下判断：G[f(x,y)]>TH， (x,y)为阶跃状边缘点。
二、Sobel梯度算子（3×3个像素） 先做加权平均，再作微分，即
2
图像增强
f(x-1,y)
f(x,y-1)
f(x,y)
f(x,y+1)
f(x+1,y)
图像分割
当拉普拉斯算子输出出现过零点时就表明有边 缘存在。该算子有两个缺点：其一就是边缘方向信 息的丢失，其二它是二阶差分，双倍加强了图像中 噪声的影响。
改进的LOG算法：
在进行拉普拉斯运算前先进行平滑去噪，然后 再提取边缘。平滑去噪采用高斯滤波器，然后与拉 普拉斯边缘检测合并在一起，形成LOG（Laplacian Of Gaussian）。
图像分割
对于数字图像，可用一阶差分替代一阶微分：
f f x,yf x x ,y 1 ,y x f x f f x,yf x,y x ,y 1 y f y
此时梯度的幅度可表示为：
G f x , y f x , y f x , y x y

图像分割经典教材

图像分割经典教材
-1 -2 -1 0 1 0 2 0 1 -1 -2 -1 0 0 0 1 2 1 z1 z2 z3 z4 z5 z6 z7 z8 z9
边缘检测
z
结论
Prewitt和Sobel算子是计算数字梯度时最常 用的算子
9 9
Prewitt模板比Sobel模板简单，但Sobel模板 能够有效抑制噪声
边缘检测
|Gy|，y方向上的梯度分量， 梯度图像|Gx|+|Gy|，突出水平和 突出垂直细节 垂直细节
边缘检测
Sobel45o模板的检测结果 Sobel-45o模板的检测结果
拉普拉斯算子
z
图像函数的拉普拉斯变换定义为
∇2 f = ∂2 f ∂x 2 + ∂2 f ∂y 2
z1 z2 z3 z4 z5 z6 z7 z8 z9
用
数字边缘模型
理想数字边缘模型 斜坡数字边缘模型
斜坡的产生是由光学系统、取样和图像采集系统的不完善带来 的边缘模糊造成的
间断检测
边缘 在边缘斜面上，一阶导数为正， 其它区域为零 在边缘与黑色交界处，二阶导数为正 在边缘与亮色交界处，二阶导数为负 沿着斜坡和灰度为常数的区域为零
间断检测
z
结论
一阶导数可用于检测图像中的一个点是否在 边缘上
R = ω1 z1 + ω 2 z 2 + ... + ω9 z9 =
∑ω z
i =1
9
i i
间断检测
z
点检测
使用如图所示的模板，如果 R ≥ T ，则在模 板中心位置检测到一个点 其中，T是阈值，R是模板计算值
基本思想：如果一个孤立点与它周围的点不 同，则可以使用上述模板进行检测。
9

第5章 图像的分割PPT课件

第5章 图像的分割PPT课件

图像分割的概念
图像分割原理上的计算公式如下：
g(i,j)10
f(i,j)Th f(i,j)Th
其中，f(i,j)为原始图像，g(i,j)为结果图像（二值），
Th为阈值。
显然，阈值的选取决定了二值化效果的好坏。
图像分割方法
p-参数法 均匀性度量法
聚类方法
写在最后
经常不断地学习,你就什么都知道。你知道得越多,你就越有力量 Study Constantly, And You Will Know Everything. The More
第五章 图像的分割
图像处理的目的之一是图像识别，图像分割与 测量是图像识别工作的基础。
图像分割将图像分为一些有意义的区域，然后 对这些区域进行描述，相当于提取出某些目标 区域，判断是否有感兴趣的目标。
图像分割的基础是像素间的相似性和跳变性。
所谓“相似性”是指在某个区域内像素具有某 种相似的特性，如灰度一样，纹理相同。
图像分割示例
—— 肾小球区域的提取
?
图像分割示例
——细菌检测
图像分割示例
—— 印刷缺陷检测
图像分割示例
—ቤተ መጻሕፍቲ ባይዱ 印刷缺陷检测
局部放大图
检测结果
图像分割的难点
从前面的例子可以看到，图像分割是比较困难 的。原因是画面中的场景通常是复杂的，要找 出两个模式特征的差异，并且可以对该差异进 行数学描述都是比较难的。
经典的边缘检测方法是构造对像素灰度级阶跃变化敏感 的微分算子。边缘检测器的输出一般都为灰度图像，称 边缘图像，该图像包含有边缘幅值信息。如果边缘检测 器输出值较大，则对应于局部边缘；如果输出值较小， 则对应与无边缘的区域。
在边缘检测之后，找出目标物体的轮廓，进行目标物体 的分析、识别、测量等。这些内容在数字图像处理应用 中，如跟踪、制导等方面扮演重要角色，有广泛的用途。

第 05 章 图像分割——数字图像处理及应用北航谢凤英课件PPT

第 05 章 图像分割——数字图像处理及应用北航谢凤英课件PPT

灰度
目标
边界
背景
梯度
c 多波段：
R、G、B可分别组成R-B, G-B, R-B两维直方图， 图上强的地方反映一个区。
5.2 边缘检测
1 边缘检测原理 其导数在边缘方向取得极值
0
0
(a) 一幅纵向 0 边缘的图像
(b) 每行像素的 灰度剖面图
(c) 一阶导数 (d) 二阶导数
从数学上看，图像的模糊相当于图像被平均或积分，为实现图象的 锐化，必需用它的反运算“微分”－－加强高频分量作用，使轮廓清晰。
图像分割：将图像中有意义的特征或需要应用的特征提 取出来。
（简单而又难于实现的最基础的识别工作。人的视觉系统对图像分 割是十分复杂的，也是相当有效的。但分割原理和模型都未搞清 楚。）
第五章 图像的分割
5.1 阈值分割 5.2 边缘检测 5.3 区域分割 5.4 Hough变换 5.5 近邻法分割 5.6 基于动态聚类的分割 5.7 基于神经网络的分割 5.8 其它分割方法
2 (1,2 ) w0,1[w0 (0 0,1)2 w1(1 0,1)2 ]
w12[w1(1 1,2 )2 w2 (2 1,2 )2 ] w0,2[w0 (0 0,2 )2 w2 (2 0,2 )2 ]
概率统计的阈值选取法 如:目标占整幅图像面积百分比
3 影响因素 噪音、照度不均匀，结构特征等。
-1 -c -1 -1 1 -c c
1 c 1 -1 1
c1 1 -1
-1 -c
1c -1 1 -c -1
注意：边缘检测对噪声敏感，常在作边缘检测前对图
像进行某些预处理，如平滑处理等。
2 典型算子 f) 二阶微分算子--- laplace算子
2

图像分割技术

图像分割技术图像分割就是将一副数字图像分割成不同的区域，在同一区域内具有在一定的准则下可认为是相同的性质，如灰度、颜色、纹理等，而任何相邻区域之间器性质具有明显的区别。

主要包括：边缘分割技术、阈值分割技术和区域分割技术。

1.边缘分割技术边缘检测是检测图像特性发生变化的位置，是利用物体和背景在某种图像特性上的差异来实现的。

不同的图像灰度不同，边界处会有明显的边缘，利用此特征可以分割图像。

边缘检测分割法是通过检测出不同区域边界来进行分割的。

常见的边缘检测方法：微分算子、Canny算子和LOG算子等，常用的微分算子有Sobel算子、Roberts算子和Prewit算子等。

（1）图像中的线段对于图像的间断点，常用检测模板：-1 -1 -1 -1 8 -1 -1 -1 -1⎡⎤⎢⎥⎢⎥⎢⎥⎣⎦对于图像中的线段，常用的检测模板：检测图像中的线段：close all;clear all;clc;I=imread('gantrycrane.png');I=rgb2gray(I);h1=[-1,-1,-1;2 2 2;-1 -1 -1];%模板h2=[-1 -1 2;-1 2 -1;2 -1 -1];h3=[-1 2 -1;-1 2 -1;-1 2 -1];h4=[2 -1 -1;-1 2 -1;-1 -1 2];J1=imfilter(I,h1);%线段检测J2=imfilter(I,h2);J3=imfilter(I,h3);J4=imfilter(I,h4);J=J1+J2+J3+J4;%4种线段相加figure,subplot(121),imshow(I);subplot(122),imshow(J);（2）微分算子○1Roberts算子的计算公式：采用edge()函数进行图像的边缘检测。

Roberts算子进行图像的边缘检测：close all; clear all;clc;I=imread('rice.png');I=im2double(I);%Roberts算法进行边缘检测[J,thresh]=edge(I,'roberts',35/255);figure,subplot(121),imshow(I);subplot(122),imshow(J);○2Prewitt算子对于复杂的图像，Roberts算子不能较好的得到图像的边缘，而需要采用更加复杂的3*3的算子，Prewittd算子如下，这两个分别表示图像的水平梯度和垂直梯度。

图像分割的基础知识

图像分割的基础知识⼀、分割的基本了解1. 图像分割是⼀个定义不明确问题（ill defined ），⼀副图像的最有分割结果往往是根据实际的应⽤任务⽽确定的。

现有的图像算法，也是针对某⼀个具体的应⽤⽽设计的。

图像分割理论没有实质性的突破，所以，没有通⽤的分割理论。

2. 主要的研究⽅向是：交互式分割：是否需要⽤户交互。

主流的有两种⽅案：基于边界（boundary ）的交互⽅式。

⽤户画出⼀条⼤致的边界曲线。

算法就是优化这条曲线，逼近物体边界。

代表算法是snake 算法。

基于种⼦（seed ）的交互⽅式。

⽤户只需要在前景或者背景区域粗略地标记⼀些种⼦点，通常是⿏标点击的区域，标记为种⼦区域，分割出前景物体。

代表算法是Graph Cut 算法。

特定类图像分割语义图像分割：分割出图像中的物体并识别出它们的类别。

场景理解。

协同图像分割：协同分割的典型定义是指根据⼀组给定的图像集共同分割出其中“相似的东西”。

⼆、测地距离（geodesic distance ）测地距离是地理上的概念，就是地球表⾯的两点的最短距离。

显然，和欧⼏⾥德距离（Euclidean distance ）还是有区别的。

后来这个概念被推⼴到数学空间，例如在图论中，测地距离就是图中两个节点之间的最短距离。

如下图，d 15是欧⽒距离，d 12+d 23+d 34+d 45是测地距离。

三、图论分割算法基本原理⼀幅图像可以被映射成⼀个加权的⽆向图，其中像素点被当作图中的顶点，⽽相邻的像素之间的视觉性质（⽐如灰度级别，颜⾊或者纹理）的相似度当作相应的边的权值，于是图像的分割结果就可以通过对图的分割处理来获得。

把每个像素点认为成图的顶点，图的每个顶点（除边界点外）有四个邻接顶点，邻接顶点之间两两相连接，边长有权重，⽐如直接⽤像素值的差值。

这⾥不采⽤简单的欧⽒距离，相邻像素点的欧⽒距离是1。

四、基于测地距离的交互式分割算法流程1. 给定⼀张有待分割的图⽚，算法根据图论分割算法的基本原理，⽣成⼀张对应的距离图。

遥感数字图像处理教程_图像分割

遥感数字图像处理教程_图像分割
图像分割是指将一幅图像分成若干个具有一定语义的区域的过程。

在
遥感图像处理中，图像分割是一项重要的任务，可以用来提取地表覆盖类型、检测目标等。

图像分割方法有很多种，常见的包括基于阈值、基于边缘、基于区域
和基于特征的方法。

基于阈值的图像分割是最简单的方法之一，通过设定一个阈值，将图
像中灰度值高于或低于该阈值的像素分为不同的区域。

这种方法适用于目
标与背景之间的灰度差异明显的情况。

基于边缘的图像分割是通过检测图像中的边缘来进行分割的。

常见的
边缘检测算法有Sobel算子、Canny算子等。

通过检测边缘，可以将图像
中不同区域的边界分开。

基于区域的图像分割是将图像划分为具有一定连通性和一致性的区域。

该方法首先通过像素之间的相似性来合并区域，然后再根据区域的属性进
行进一步的合并和细分。

基于特征的图像分割是利用图像中的一些特征来进行分割，如颜色、
纹理、形状等。

通过提取图像中的特征并使用合适的分类算法，可以将图
像分割为具有不同特征的区域。

图像分割在遥感图像处理中有着广泛的应用，例如提取森林、湖泊等
地表覆盖类型，检测城市建筑、道路等目标，以及监测农作物、污染等环
境指标。

图像模式识别 5-8章-PPT

9
区域分裂合并的关键是分裂合并准则的设计，在实际应用中，通常是 将区域生长算法和区域分裂合并算法这两种基本形式结合使用。该类 算法对某些复杂物体定义的复杂场景的分割或对某些自然景物的分割 等类似先验知识不足的图像分割，效果较为理想。
优点：对复杂图像的分割效果较好，不需要预先指定种子点；
缺点：算法较为复杂，计算量大，分裂可能会破坏区域的边界。
11
利用Matlab中的函数qtdecomp、qtsetblk和full能够实现图像的分 裂和合并操作。qtdecomp(I,threshold)函数将输入图像I按允许的 阀值threshold分割子块，返回一个稀疏矩阵，每个子块的左上角给 出子块的大小。qtgetblk(I,s,4,vals)函数可获得四叉树分解后的 子块的像素即位置信息，返回值vals是dim×dim×k矩阵，k是符合 dim×dim大小的子块个数，qtsetblk将四叉树分解得到的子块中符 合条件的部分替换为指定的子块。full(s)函数将稀疏矩阵化为普通 矩阵，显示分裂后的图像。以matlab自带图像rice.png为例，以阀 值为0.2进行四叉树分解，结果如图所示。
区域生长一般步骤为：
选取图像中的1点为种子点(种子点的选取需要具体情况具体分析)。
在种子点处进行8邻域或4邻域扩展，判定准则是：若考虑的像素与种 子像素灰度值差的绝对值小于某个门限T，则将该像素包括进种子像素 所在的区域。
当不再有像素满足加入这个区域的准则时，区域生长停止。
一般来说，在无像素或区域满足加入生长区域的条件时,区域生长就会 停止。 区域生长是串行区域技术，其分割过程后续步骤的处理要根据
前面步骤的结果进行判断而确定。
8
区域分裂、合并
首先，确定一个分裂合并的准则，即区域特征一致性的测度；然后 ，从整个图像出发不断分裂得到各个子区域，然后再把前景区域合 并，实现目标提取。若把一幅图像分裂到像素级，那么就可以判定 该像素是否为前景像素。当所有像素点或子区域完成判断后，把前 景区域或像素合并就可得到前景目标。 当相邻的子区域满足一致性特征时则将它们合成一个大区域，直至 所有区域不再满足分裂合并的条件为止；当分裂到不能再分的情况 时，分裂结束；然后它将查找相邻区域有没有相似的特征，若有就 将相似区域进行合并，最后达到分割的作用。
  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第五章 图像分割
李冬月
5.1 医学图像分割概念
所谓图像分割就是根据某种均匀性（或一致性）的原则将图像分成若 干个有意义的部分，使得每一部分都符合某种一致性的要求，而任意 两个相邻部分的合并都会破坏这种一致性。图像的分割在很多情况下 可归结为图像像素点的分类问题。
5.1 医学图像分割概念
常见的分割技术：
5.2.1全局阈值法
图(a)是未经处理的原始图像，白细 胞在黑色背景上。图像(a)的直方图 如图(b)所示，表现为一高一低两个 峰值。如果用T=127作为阈值，分 割结果如图(c)。 图(d) 是用3x3 Laplace微分算子得 到的细胞边缘。
实际上，在几乎所有的医学图像 中，无论是物体还是背景的灰度值 都有一个分布，而且有时在灰度直 方图中呈双峰或多峰情况。采用加 权变换后的直方图，可以得到比原 直方图更明显的峰谷分界，从而改 进图像的分割。
阈值分割技术 迭代阈值分割技术 聚类分割技术 微分算子边缘检测技术
5.2 阈值分割技术
5.2.1全局阈值法
最简单的阈值分割的例子就是从背景图像中提出目标物体图像。全局阈 值法假设图像基本上是由感兴趣物体与背景两部分组成。
令位于点 (x, y) 的像素灰度为 f (x, y) ，选择灰度阈值为θ，则分得的二值 图像:
总像素数
m
N ni i 1
各灰度值的归一化值
pi
ni N
5.2.2 大津阈值分割
然后用 k 将其分成两组 C0 1 ~ k 和 C1 k 1 ~ m
各组产生的概率如下： C0 产生的概率 C1 产生的概率 C0 的平均值
k
0 pi (k) i 1
m
1 pi 1 (k) ik 1
Tm ax
i n(i)
iTk 1
1
Tm ax
n(i)
iTk 1
5.3 迭代阈值分割
然后用 t 将其分成两组 H0 1 ~ t 和 H1 t 1 ~ K 1
各组产生的概率如下： H0 产生的概率 H1 产生的概率 H0 的平均值
t
0 pi (t) i 1
K 1
1 pi 1 (t) it 1
0
t i 1
ipi 0
(t ) (t )
其中
H1 的平均值
1
K 1 ipi it 1 1
(t) 1 (t)
K
ipi 是整体图像的灰度平均值；
i 1
t
(t) ipi 是灰度等级为 t 时的灰度平均值
i 1
5.3 迭代阈值分割
K=0 D=1 Tk=(Tmax+Tmin)/2
判断D<>0 ?
2 (k) 0 (0 )2 1(1 )2 01(1 0 )2
(k) (k)2 (k)1(k)
k* argmax 2 (k) k
k 值便是阈值,不管图像的直方图有无明显的双峰，都能得到较满意的结果。
5.3 迭代阈值分割
迭代阈值分割是一种简单的自动阈值分割算法，其步骤如下：
1. 读取待分割图像的最大灰度Tmax和最小灰度Tmin，并将初始分割 阈值选定为T0=（Tmax+Tmin）/2。
0
k ipi i1 0
(k) (k )
其中
C1 的平均值
1
ห้องสมุดไป่ตู้ m ipi ik 1 1
(k) 1 (k )
m
ipi 是整体图像的灰度平均值；
i 1
k
(k) ipi 是阈值为 k 时的灰度平均值
i 1
5.2.2 大津阈值分割
两组直方图的灰度平均值为
00 11
两组间的方差用下式求出
T Arg min dA(T ) / dT or T Arg min dP (T )/dT
5.2.2 大津阈值分割
大津(N.Otsu)阈值法可以自动寻找阈值，对图像进行划分， 将目标物和背景区分开来。把直方图在某一阈值处分割成 两组，当被分成的两组间方差为最大时，确定阈值。例如， 设一幅图像的灰度值为1～m级，灰度值i的像素数为ni，此 时我们得到：
二、区域增长的定义
按照预先确定的准则，将点或者是小的区域聚合成为 大的区域的过程就称为区域增长。
这些准则包括：类似的特性、相同的灰度、颜色、同 一或类似物体等。
区域增长的三要素：
种子、相似性准则及迭代终止准则。
5.4 区域增长
标准的区域增长算法步骤：
① 选择种子点； ② 按照所选距离的定义（四邻域、八邻域等），从种子
点扩展到他们的邻域； ③ 计算邻域点与已产生区域之间的相似性； ④ 对于邻域点与已产生区域之间的相似性进行判断，如
果满足该相似性，则将改点并入区域，如果发现两个 区域特性相同，则将这两个区域合并； ⑤ 重复2-4步直到没有新的邻域点可以添加到区域中， 或满足其他终止条件。
5.4.1基于邻域灰度差的区域增长
1 g(x, y) 0
if f (x, y) 其它
灰度值超过阈值的像素被分做物体，低于阈值的像素划分为背景。 分割结果是对应物体（g值=1）与对应背景（g值=0）的二值图像。 这里的1与0是逻辑值。显示分割结果时，可以根据黑白两色设置对应 的灰度值（例如，在0-255灰度等级的图像中，白色的物体g值=200， 黑色背景g值=0）。
2. 第K次迭代的分割阈值为Tk，Tk将图像分为两组，分别计算两组 的平均灰度μ0和μ1，则下次的分割阈值为
Tk+1=(μ0+μ1)/2 3. 如果Tk=Tk+1，迭代终止，迭代阈值为Tk；否则转到第2步。 4. 显示分割结果。
其中，
Tk
i n(i)
iTmin
0
Tk
n(i)
i Tm i n
No
Yes
计算u0, u1 新的迭代阈值Tk+1
D=Tk+1-Tk
K=K+1
绘制分割图像
5.4 区域增长（ Region Growing ）
一、区域的定义
由具有相同或相近性质点组成的几何就称之为区域 （region）。这些性质包括：物理、化学、生物性质； 图像灰度、颜色、纹理等。
5.4 区域增长
5.2.1全局阈值法
在全局阈值法中，显然阈值的适当选取是一个十分重要的 问题。不同的阈值会导致不同的分割结果。一般来说，我 们希望阈值的微小变化不要引起分割出物体的面积或周长 很大的改变。即分割结果对阈值的变化不敏感。如果用T 表示阈值，A(T) 和P(T)分别代表分割物体的面积与周长， 如果所选择的阈值T*满足下式，称T*为最佳阈值。