基于阈值的图像分割

基于阈值法的图像分割技术阴国富(1．西安电子科技大学陕西西安710071；2．渭南师范学院陕西渭南714000)在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部分称为目标或前景(其他部分称为背景)，他们一般对应图像中特定的、具有独特性质的区域。

为了辨识和分析目标，需要将他们分离提取出来，在此基础上才有可能对目标进一步利用。

图像分割就是指把图像分成格局特性的区域并提取出感兴趣目标的技术和过程。

这里特性可以是象素的灰度、颜色、纹理等，预先定义的目标可以对应单个区域，也可以对应多个区域。

现有的图像分割算法有：阈值分割、边缘检测和区域提取法。

本文着重研究基于阈值法的图像分割技术。

1 阈值法图像分割1.1 阈值法的基本原理阈值分割法是一种基于区域的图像分割技术，其基本原理是：通过设定不同的特征阈值，把图像象素点分为若干类。

常用的特征包括：直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特征。

设原始图像为f(x，y)，按照一定的准则f(x，y)中找到特征值T，将图像分割为两个部分，分割后的图像为：若取：b0=0(黑)，b1=1(白)，即为我们通常所说的图像二值化。

1.2 阈值法图像分割方法分类全局阈值法指利用全局信息对整幅图像求出最优分割阈值，可以是单阈值，也可以是多阈值；局部阈值法是把原始的整幅图像分为几个小的子图像，再对每个子图像应用全局阈值法分别求出最优分割阈值。

其中全局阈值法又可分为基于点的阈值法和基于区域的阈值法。

阈值分割法的结果很大程度上依赖于阈值的选择，因此该方法的关键是如何选择合适的阈值。

由于局部阈值法中仍要用到全局阈值法，因此本文主要对全局阈值法中基于点的阈值法和基于区域的阈值法分别进行了研究。

根据阈值法的原理可以将阈值选取技术分为3大类：(1)基于点的全局阈值方法基于点的全局阈值算法与其他几大类方法相比，算法时间复杂度较低，易于实现，适合应用于在线实时图像处理系统。

图像分割实验报告图像分割实验报告一、引言图像分割是计算机视觉领域中的一个重要研究方向，它旨在将一幅图像分割成具有语义意义的不同区域。

图像分割在许多应用中发挥着关键作用，如目标检测、场景理解和医学图像处理等。

本实验旨在探索不同的图像分割方法，并对其进行比较和评估。

二、实验方法本实验选择了两种常用的图像分割方法：基于阈值的分割和基于边缘的分割。

首先，我们使用Python编程语言和OpenCV库加载图像，并对图像进行预处理，如灰度化和平滑处理。

接下来，我们将详细介绍这两种分割方法的实现步骤。

1. 基于阈值的分割基于阈值的分割是一种简单而常用的分割方法。

它通过将图像像素的灰度值与预先设定的阈值进行比较，将像素分为前景和背景两类。

具体步骤如下：（1）将彩色图像转换为灰度图像。

（2）选择一个适当的阈值，将图像中的像素分为两类。

（3）根据阈值将图像分割，并得到分割结果。

2. 基于边缘的分割基于边缘的分割方法是通过检测图像中的边缘来实现分割的。

边缘是图像中灰度变化剧烈的区域，通常表示物体的边界。

具体步骤如下：（1）将彩色图像转换为灰度图像。

（2）使用边缘检测算法（如Canny算法）检测图像中的边缘。

（3）根据边缘信息将图像分割，并得到分割结果。

三、实验结果与讨论我们选择了一张包含多个物体的彩色图像进行实验。

首先，我们使用基于阈值的分割方法对图像进行分割，选择了适当的阈值进行实验。

实验结果显示，基于阈值的分割方法能够将图像中的物体与背景分离，并得到较好的分割效果。

接下来，我们使用基于边缘的分割方法对同一张图像进行分割。

实验结果显示，基于边缘的分割方法能够准确地检测出图像中的边缘，并将图像分割成多个具有边界的区域。

与基于阈值的分割方法相比，基于边缘的分割方法能够更好地捕捉到物体的形状和边界信息。

通过对比两种分割方法的实验结果，我们发现基于边缘的分割方法相对于基于阈值的分割方法具有更好的效果。

基于边缘的分割方法能够提供更准确的物体边界信息，但也更加复杂和耗时。

医疗影像处理中的图像分割算法使用方法与技巧医疗影像处理是一种应用广泛的技术，为临床诊断和治疗提供了重要支持。

在医疗影像中，图像分割是一个关键的步骤，它能够将影像中的不同区域或结构进行提取，为医生提供更准确的信息。

图像分割算法的使用方法和技巧对于提高分割效果具有重要意义。

本文将介绍医疗影像处理中常见的图像分割算法及其使用方法与技巧。

一、基于阈值的图像分割算法基于阈值的图像分割算法是最简单和最常用的方法。

它通过设定一个或多个阈值来将图像分割为不同的区域。

在医疗影像处理中，通过选择适当的阈值，我们可以将感兴趣的区域从背景中分离出来，例如分割出肿瘤或器官。

在使用基于阈值的算法进行图像分割时，以下几点技巧是需要注意的：1. 预处理：在进行图像分割之前，通常需要对图像进行一些预处理操作，例如去噪、增强对比度等。

这样可以提高分割的结果质量。

2. 自适应阈值：在某些情况下，图像中的亮度和对比度可能会发生变化。

为了应对这种情况，可以使用自适应阈值的算法，根据图像不同区域的统计信息来选择合适的阈值。

3. 多阈值分割：有时候，一个阈值无法对图像进行有效分割。

这时可以尝试使用多阈值分割算法，根据不同的阈值对图像进行多次分割，然后结合结果。

二、基于边缘的图像分割算法基于边缘的图像分割算法是利用图像中的边缘信息来分割图像的一种常见方法。

边缘是图像中灰度值变化较大的地方，通过检测图像中的边缘，可以将物体与背景分离出来。

以下是使用基于边缘的图像分割算法时的几个技巧：1. 边缘检测：为了得到图像的边缘信息，需要使用边缘检测算法，例如Canny算法、Sobel算法等。

在使用这些算法时，需要调整参数，以得到最佳的边缘检测结果。

2. 边缘连接：边缘检测算法有时会产生不连续的边缘线段。

为了得到完整的边缘，需要对边缘进行连接操作，将不连续的线段连接起来。

3. 边缘融合：在某些情况下，图像中的边缘可能会有重叠或交叉的情况。

为了解决这个问题，可以使用边缘融合算法，将重叠的边缘进行合并，提高分割的准确性。

基于阈值的分割算法
阈值分割算法是一种将图像分割成两个或多个区域的方法，其中区域的选择基于像素的灰度值与预先定义的阈值之间的关系。

基本的阈值分割算法包括简单阈值分割、自适应阈值分割和多阈值分割等。

- 简单阈值分割是指通过比较每个像素的灰度值与一个预先定
义的固定阈值来进行划分。

如果像素的灰度值大于阈值，则被分配到一个区域；如果小于阈值，则分配到另一个区域。

- 自适应阈值分割是指根据图像的局部特征来确定每个像素的
阈值。

这种方法通常用于处理具有不均匀光照条件下的图像。

常见的自适应阈值分割方法包括基于局部平均值、基于局部中值和基于统计分布的方法。

- 多阈值分割是指将图像划分为多个区域，每个区域都有一个
不同的阈值。

这种方法常用于处理具有多个目标或具有复杂纹理的图像。

阈值分割算法在图像处理中广泛应用，可以用于边缘检测、目标提取、图像分割等任务。

但是，阈值的选择对算法的性能至关重要，不同的图像和任务可能需要不同的阈值选择方法。

因此，在应用阈值分割算法时需要进行参数调整和优化才能得到最佳的分割结果。

基于阈值的分割原理基于阈值的分割原理是数字图像处理中常用的一种分割方法，其基本思想是将图像中的像素根据其灰度值与预设的阈值进行比较，将灰度值高于阈值的像素归为一类，低于阈值的像素归为另一类。

该方法简单易懂，计算量小，因此被广泛应用于图像处理领域。

一、阈值分割基本原理1.1 阈值阈值是指在进行二值化处理时所设定的一个灰度级别，用来区分图像中不同灰度级别的像素点。

通常情况下，我们将图像中所有灰度大于该阈值的点视为目标物体区域内部点，将灰度小于该阈值的点视为背景区域内部点。

1.2 阈值分割过程在进行阈值分割时，我们需要先确定一个合适的初始阈值。

通常情况下，我们可以选择图像中所有像素点灰度平均数作为初始阈值。

然后将所有灰度大于该初始阈值的点视为目标物体区域内部点，将小于该初始阈值的点视为背景区域内部点，并计算出两个区域内像素灰度值的平均数。

将两个平均数再求平均，得到新的阈值，重复上述过程直到新的阈值与上一次计算的阈值相等或者差异小于一个预设的容差范围。

1.3 阈值分割应用阈值分割可以应用于很多领域中，如图像增强、目标检测、字符识别等。

在图像增强中，我们可以通过调整阈值来实现图像亮度和对比度的调整；在目标检测中，我们可以通过设置不同的阈值来实现对不同大小、形状、颜色等特征的物体进行区分；在字符识别中，我们可以通过设置合适的阈值来实现对字符轮廓进行提取和识别。

二、基于全局阈值分割原理2.1 基本思想基于全局阈值分割原理是指在整幅图像中确定一个全局唯一的阈值进行分割。

该方法简单易行且计算量小，适用于灰度变化明显且背景比较简单的图像。

2.2 全局阈值分割方法（1）最大类间方差法：该方法是求使两类间方差最大化时所对应的灰度值作为阈值。

具体而言，我们可以先将图像中所有像素点按照灰度值从小到大排序，然后分别计算每个灰度值下的前景和背景像素点数量、均值和方差。

最后计算出每个灰度下两类之间的类间方差，并选取使类间方差最大的灰度值作为阈值。

机器视觉中的图像分割与物体检测方法随着人工智能技术的不断发展，机器视觉技术已经逐渐成为了一个重要的研究领域。

图像分割和物体检测是机器视觉技术中的两个核心问题，本文将重点介绍这两个问题的相关理论和算法。

一、图像分割图像分割是指将一张图像分割成若干个子区域的过程。

图像分割常常被应用于物体识别、医学影像分析、人脸识别等领域。

目前，图像分割的常用方法包括有基于阈值的分割、基于区域的分割和基于边缘的分割。

1. 基于阈值的分割基于阈值的分割是最简单的分割方法。

其作用是将图像灰度值高于某个阈值的像素标记为前景，灰度值低于阈值的像素标记为背景。

通常情况下，图像的背景是均匀的，所以这种方法往往是有效的。

2. 基于区域的分割基于区域的分割是指将图像分成具有相似特征的区域的过程。

这种方法基于颜色、纹理、边缘或其他特征将图像分成若干个区域。

其中最常用的是基于颜色的分割，即根据颜色的统计分布将图像分成若干个区域。

3. 基于边缘的分割基于边缘的分割是指将属于同一个物体的像素通过边缘连接在一起，形成一个连通分量的过程。

常见的边缘检测算子有Canny、Sobel、Roberts等算子。

这些算子可以提取边缘的位置和方向信息，从而进行边缘分割。

二、物体检测物体检测是指在一张图像中寻找并标记出一些物体。

物体检测是机器视觉技术中的重要问题，它的应用范围非常广泛，包括自动驾驶、安防监控、医疗影像分析等领域。

物体检测分为两类：精确物体检测和语义物体检测。

精确物体检测是指寻找图像中某一物体的准确位置、大小和形状，而语义物体检测则是指寻找图像中所有物体的位置和类别。

本文主要讲解精确物体检测问题。

1. 基于特征的物体检测基于特征的物体检测方法是指利用图像中的一些特定特征进行物体的定位和判断。

其中最常见的特征包括边缘、颜色、纹理等。

常见的基于特征的物体检测方法包括SIFT、SURF、HOG等。

2. 基于深度学习的物体检测近年来，深度学习技术的发展更是极大地推动了物体检测技术的进步。

图像分割算法在图像处理中的应用一、导言图像分割是图像处理领域中的一项重要技术，指将一副图像分成若干个子区域，将图像中不同的物体或背景区分出来，为下一步的图像分析和图像识别提供重要的前置条件。

图像分割算法的应用广泛，包括医学图像分析、自动驾驶、目标检测等等。

本文将从图像分割的定义、常用算法和应用方面展开讨论，介绍图像分割在图像处理中的重要意义。

二、图像分割的定义图像分割的定义是指将一幅图像分割成若干个子区域，使得每一子区域内的像素具有相似的性质，如颜色、纹理、亮度等等。

通常一幅图像中的前景和背景具有不同的属性，图像分割的目标就是将二者区分开来，使得前景和背景分别成为一个子区域。

而这个过程需要采用一定的算法来实现。

三、常用的图像分割算法1. 基于阈值的图像分割基于阈值的图像分割算法，也是最简单的分割算法。

其基本思路是先确定一个阈值，将图像中所有灰度值大于该阈值的像素点分到一个区域内，将小于该阈值的像素点分到另一个区域内。

基于阈值的图像分割适用于图像中前景和背景的差别明显，对于一些复杂的图像分割任务，其效果则有限制。

2. 区域生长算法区域生长算法是一种基于种子点的图像分割算法。

该算法最初在医学领域得到广泛应用。

医学影像数据中经常需要对感兴趣区域进行计算，这些区域在像素值上通常具有高度的同质性。

基于该性质，区域生长算法可以通过种子点引发对图像的连续增长，从而逐步形成有意义的区域。

3. 区域分裂和合并算法区域分裂和合并算法是一种迭代的区域分割算法。

该算法先将图像划分为若干个相同大小的初始块，然后通过一系列的分裂和合并操作逐步细化或聚合这些块形成我们需要的区域。

4. 基于边缘检测的图像分割基于边缘检测的图像分割算法是目前最为流行的图像分割算法，该算法的基本思路是通过对图像进行边缘检测，将图像分成若干个区域。

这种方法通常需要结合边缘检测算法来处理图像中的过多的噪声和杂点，以达到更好的分割效果。

四、图像分割算法在图像处理中的应用图像分割算法在许多领域中都有广泛的应用，如医学影像分析、自动驾驶、图像识别和机器人视觉等。

第41卷第6期2023年12月沈阳师范大学学报(自然科学版)J o u r n a l o f S h e n y a n g N o r m a lU n i v e r s i t y(N a t u r a l S c i e n c eE d i t i o n)V o l.41N o.6D e c.2023文章编号:16735862(2023)06052604基于阈值的图像分割算法研究综述:原理㊁分类及典型算法杨林蛟(沈阳师范大学化学化工学院,沈阳110034)摘要:随着计算机技术的飞速发展,图像处理技术在各个领域都得到了广泛应用,如产品质量检测㊁医学图像处理㊁军事目标的定位与跟踪等㊂作为图像处理技术和计算机视觉技术的研究基础,图像分割技术目前已出现了大量不同类型的算法,并在各个领域的应用中发挥着重要的作用㊂其中,基于阈值的图像分割算法因具有简单有效㊁计算量小㊁性能稳定等优点而受到了人们的普遍青睐㊂首先,对图像分割技术按照不同的划分方式进行了简单的分类;其次,对阈值分割算法的基本原理㊁分类及最典型的O t s u算法的基本思想进行了详尽的介绍;最后,对阈值分割算法目前存在的问题进行了阐述,并对算法未来的发展趋势进行了展望㊂研究工作可为图像处理技术的进一步发展提供理论借鉴㊂关键词:图像处理;阈值分割;阈值选取;算法中图分类号:T P391文献标志码:Ad o i:10.3969/j.i s s n.16735862.2023.06.007A r e v i e w o ft h r e s h o l d-b a s e di m a g es e g m e n t a t i o n a l g o r i t h m s:P r i n c i p l e s,c l a s s i f i c a t i o na n d t y p i c a l a l g o r i t h m sY A N GL i n j i a o(C o l l e g e o fC h e m i s t r y a n dC h e m i c a l E n g i n e e r i n g,S h e n y a n g N o r m a lU n i v e r s i t y,S h e n y a n g110034,C h i n a)A b s t r a c t:W i t h t h e r a p i dd e v e l o p m e n t o f c o m p u t e r t e c h n o l o g y,i m a g e p r o c e s s i n g t e c h n o l o g y h a sb e e n w i d e l y u s e di nv a r i o u s f i e l d s,s uc ha s p r od u c t q u a l i t y de t e c t i o n,m e d i c a l i m a g e p r o c e s s i n g,m i l i t a r y t a r g e t p o s i t i o n i n g a n d t r a c k i n g.A s t h e b a s i s o f i m a g e p r o c e s s i n g t e c h n o l o g y a n d c o m p u t e rv i s i o nt e c h n o l o g y,al a r g e n u m b e r o f d i f f e r e n tt y p e s o fa l g o r i t h m s h a s e m e r g e d,a n d t h e s ea l g o r i t h m s p l a y a ni m p o r t a n t r o l e i nv a r i o u s f i e l d so fa p p l i c a t i o n.A m o n g t h e m,t h r e s h o l db a s e di m a g e s e g m e n t a t i o na l g o r i t h m h a sb e e n w e l c o m e db e c a u s eo f i t sa d v a n t a g e so fs i m p l e,e f f e c t i v e,l i t t l e c o m p u t a t i o na n ds t a b l e p e r f o r m a n c e.F i r s t l y,t h e i m a g es e g m e n t a t i o nt e c h n o l o g y i ss i m p l yc l a s s i f i e da c c o rd i n g t o t he d if f e r e n t p a r t i t i o n i ng w a y s.S e c o n d l y,th eb a si c p r i n c i p l e,c l a s s i f i c a t i o n,a n d t h eb a s i ci d e ao ft h e m o s tt y p ic a lO t s ua l g o r i t h m o ft h r e s h o l ds e g m e n t a t i o na l g o r i t h m a r ei n t r o d u c e di n d e t a i l.A tl a s t,t h ee x i s t i n g p r o b l e m s o ft h r e s h o l d s e g m e n t a t i o n a l g o r i t h m a r ed e s c r i b e d,a n dt h ef u t u r ed e v e l o p m e n tt r e n d o ft h i sa l g o r i t h m a r ef o r e c a s t e d.T h i s w o r kc a np r o v i d e t h e o r e t i c a l r e f e r e n c e f o r t h e f u r t h e r d e v e l o p m e n t o f i m a g e p r o c e s s i n g t e c h n o l o g y.K e y w o r d s:i m a g e p r o c e s s i n g;t h r e s h o l d s e g m e n t a t i o n;t h r e s h o l d s e l e c t i o n;a l g o r i t h m 图像处理技术一般是指利用计算机对图像进行分析,以达到所需结果的技术,又可称为影像处理㊂收稿日期:20230929基金项目:辽宁省教育厅科学研究经费项目(L J C202004,L J C202005)㊂作者简介:杨林蛟(1976 ),男,青海西宁人,沈阳师范大学高级实验师,硕士㊂图像处理技术主要包括图像的数字化㊁图像的增强和复原㊁图像的分割和识别㊁图像的数据编码等㊂其中,图像分割在计算机视觉中起着至关重要的作用,是图像处理技术的基础㊂图像分割的目的是使图像得到简化或改变图像的表示形式,图像经过分割后会形成一些特定的㊁具有独特性质的区域,这里的独特性质一般指像素的灰度㊁颜色和纹理等㊂其过程就好比把图像中的每一个像素打上一个特定的标签,使得具有相同标签的像素具有相同的视觉特性,从而用来定位图像的物体和边界㊂图像分割技术一直是计算机视觉研究的热点之一,历经数十年的发展,大量的分割算法被人们相继提出并得到广泛应用[1]㊂其中,基于阈值的图像分割算法因具有实时㊁有效㊁自动㊁应用广泛等优点而受到人们的广泛关注㊂本文首先对现有的图像分割技术进行了简单的划分,接着对基于阈值的分割算法的原理㊁分类及最典型的O t s u 算法进行了系统的介绍,以期为图像处理技术的进一步发展提供理论借鉴㊂1 图像分割技术的分类目前,人们对图像分割技术进行了大量的研究,并取得了卓有成效的研究成果,开发出了很多算法㊂如图1所示,如果按照图像类型划分,图像分割技术可分为灰度图像分割和彩色图像分割,灰度图像分图1 图像分割技术的7种不同划分方式F i g .1 S e v e nd i f f e r e n tw a y s o f i m a g es e g m e n t a t i o n t e c h n o l o g y割主要用于处理非自然图像,彩色图像分割则主要用于处理自然图像;按照是否存在用户交互,可将图像分割技术分为监督式分割和非监督式分割,监督式分割主要用于对图像和视频进行编辑,非监督式分割则主要用于处理图像背景较为单一的文本图像㊁工业图像等;按照表示方式的不同,图像分割技术又可分为基于像素级的分割和超像素级的分割,目前大多数的分割算法属于基于像素级的分割技术,其通常具有较高的处理精度;按照图像的另一种表示方式,图像分割技术则分为单一尺度的分割和多尺度分割,单一尺度的分割是在原始尺度空间上构建相关的分割模型,而多尺度分割则可充分挖掘图像的基本信息;从属性来划分,图像分割技术可分为单一属性的分割和多属性分割,前者只对灰度㊁颜色㊁纹理等特征中的一种属性进行分割,后者则能综合运用图像的多种属性;从操作空间来划分,图像分割技术可分为利用图像特征信息的分割和利用空间位置信息的分割,其中前者主要包括阈值分割算法和聚类算法等,后者主要包括水平集分割算法㊁活动轮廓算法等;从驱动方式划分,图像分割技术可分为基于边缘的分割和基于区域的分割㊂2 阈值分割算法阈值分割算法主要利用图像的特征信息对图像进行分割,目前已有上百种算法被陆续提出㊂其主要思想是不同的目标具有不同的诸如颜色㊁灰度㊁轮廓等特征,根据特征间的细小差别,通过选取特定的阈值将目标物与背景划分开来,进而实现快速的图像分割㊂2.1 阈值分割算法的基本原理阈值法的基本原理是先确定一个阈值[2],然后将所有像素按照其特征值与阈值的大小关系划分为2个类别㊂当特征值大于阈值时,该像素被归为目标类;反之,被归为背景类㊂通过选择合适的阈值,可以实现对图像目标与背景的有效分离㊂设原始图像为f (x ,y ),在f (x ,y )中找出特征值T ,将原始图像分割为2个部分,得到分割后的图像为g (x ,y )=b 0,f (x ,y )<t b 1,f (x ,y )ȡ{t725 第6期 杨林蛟:基于阈值的图像分割算法研究综述:原理㊁分类及典型算法若取b 0=0(黑),b 1=1(白),即为图像的二值化㊂2.2 阈值分割算法的分类根据利用信息种类的不同,可将阈值分割算法分为以下几类:1)基于直方图形状的方法㊂该类方法主要根据直方图的形状属性来划分像素,其又可分为 凸壳 法㊁ 峰谷 法和形状建模法3类㊂1997年,C a r l o t t o [3]对图像的概率密度进行了多尺度分析,并以此估计最佳阈值;1998年,C a i 和L i u [4]利用P r o n y 谱分析法得到了图像多重指数信号能量谱的近似值;之后,G u o 和P a n d i t [5]提出了一个全极模型㊂2)基于熵的方法㊂该类方法利用灰度分布的熵信息来划分像素㊂J o h a n n s e n 和B i l l e [6]最早对熵算法进行了研究㊂之后,很多学者对这一算法进行了改进,如P a l [7]在交叉熵的基础上建立了一种对前景和背景后验概率密度的模型;S u n [8]依靠 模糊事件熵 的最大化,采用了Z a d e h 的S 隶属度函数㊂3)基于聚类的阈值分割方法㊂该类方法又可分为迭代法㊁聚类法㊁最小误差法和模糊聚类4类,其主要通过对灰度数据进行聚类分析来获取阈值㊂其中,聚类法是通过将前景和背景的加权方差最小化来获得最佳阈值,是阈值分割算法中较为经典的算法之一㊂L i u 和L i [9]将聚类法扩展到了二维,景晓军等[10]将聚类法扩展到了三维㊂4)基于对象属性的方法㊂该类方法通过度量原始图像与二值图像间的诸如灰度片段㊁形状紧密性㊁纹理等的属性特性来选取阈值㊂基于对象属性的方法可分为片段保存法㊁边缘匹配法㊁模糊相似法㊁拓扑固定态法㊁最大信息法和模糊紧密性增强法6类㊂5)基于空间的方法㊂该类方法又可分为同现方法㊁高次熵法㊁基于随机集合的方法和二维模糊划分法4类,其选取阈值的方式是度量灰度分布和邻域内像素的相关性㊂C h a n g 等[11]在确保源图像与二值图像的同现概率以最低程度发散的条件下建立了阈值;B r i n k [12]认为空间熵可由二元熵在所有可能间隔的总和来计算㊂6)局部自适应方法㊂局部自适应方法可以克服其他阈值算法的许多缺陷,受到了人们的普遍关注,其主要的2种形式分别为邻域法和分块法㊂邻域法一般会受到邻域范围的制约,因而对文字等狭长目标比较敏感,但对平坦的大块前景或背景容易造成误分;分块法的适用范围会更广,但分块之间结果的不连续是该方法的缺陷之一㊂2.3 典型阈值分割算法介绍O t s u 阈值分割算法,也可称为最大类间方差算法,是最常用的一类阈值分割算法,也是阈值分割领域各类文献中被引用数量最多的算法之一㊂该算法选取使得类间方差最大的灰度值作为划分背景和前景的最佳阈值,其基本思想如下:在一幅灰度图像中,假设其灰度级为L ,用n i 表示灰度级为i 的像素个数,N 表示总像素的个数,则N =n 0+n 1+ +n L -1㊂用p i 表示灰度图像中灰度值i 的像素点出现的概率,则有p i =n i N ㊂设有阈值t 将图像分为前景和背景2个部分,分别用C 0={0,1, ,t }和C 1={t +1,t +2, ,L -1}表示㊂设ω0为C 0出现的概率,ω1为C 1出现的概率,则有ω0=ðt i =0p i ,ω1=ðL -1i =t +1p i ,且ω0+ω1=1㊂则C 0和C 1的平均灰度μ0和μ1为μ0=ðt i =0i ㊃p i ω0=μ(t )ω0,μ1=ðL -1i =t +1i ㊃p i ω1=μ-μ(t )1-ω0用σ2B 表示类间方差,其表达式为σ2B =ω0(μ0-μ)2+ω1(μ1-m )2=ω0㊃ω1(μ0-μ1)2最佳分割阈值t *即为使得类间方差σ2B 最大的阈值t :t *=a r g m a x t ɪ{0,1, L -1}σ2B 上述O t s u 算法又称一维O t s u 算法,它在不对概率密度函数做出假设的情况下,以均值和方差的概率密度为基础对图像的分割状态进行描述,可以在很大程度上提高算法的运算速度㊂后来,人们又发展了二维O t s u 阈值分割方法,它是在原来一维算法灰度值的基础上加入了像素邻域平均灰度作为第825沈阳师范大学学报(自然科学版) 第41卷二维,因而提高了一维算法的抗噪声能力㊂O t s u 阈值分割算法的分割效果如图2所示㊂(a )原始图像(b )O t u s 法阈值选择图2 O t s u 阈值分割算法的分割效果F i g .2 S e g m e n t a t i o ne f f e c t o f O t s u t h r e s h o l d s e g m e n t a t i o na l g o r i t h m 2.4 阈值分割算法目前存在的问题虽然阈值分割算法在国内外研究者们数十年的努力下已经取得了长足的进步,但目前仍然存在着如不均匀光照㊁噪声干扰㊁文本图像 劣化 等问题亟待解决㊂其中,不均匀光照会使直方图中的目标波峰与背景波峰混杂在一起,从而降低直方图阈值法的效果;噪声对图像处理的整个过程都有影响,去噪已成为图像分割领域的一个研究重点;长时间保存的纸质文档会出现背面字迹浸透㊁字迹污染等现象,从而造成分割时产生大量的误分㊂3 结论与展望图像分割是计算机视觉的基础技术,分割效果将直接影响如目标定位㊁目标识别㊁目标跟踪㊁场景分析等的后续处理㊂在众多的图像分割算法中,阈值分割算法一直以其实时㊁高效等特点受到人们的普遍关注㊂但从目前来看,阈值分割算法仍面临着许多难以解决的困难,可行的解决方法是从更高的图像语义出发,对图像内容进行抽象分析,然后指导低层次的图像分割,重复这样的操作若干次,可以逐步提高分割的精度㊂目前,对该种分割方式的研究仍处于探索阶段㊂参考文献:[1]S E Z G I N M ,S A N K U RB .S u r v e y o v e r i m a g e t h r e s h o l d i n g t e c h n i qu e s a n d q u a n t i t a t i v e p e r f o r m a n c e e v a l u a t i o n [J ].J E l e c t r o n I m a g i n g ,2004,13(1):146168.[2]阴国富.基于阈值法的图像分割技术[J ].现代电子技术,2007(23):107108.[3]C A R L O T T O M J .H i s t o g r a m a n a l y s i su s i n g as c a l e -s p a c ea p p r o a c h [J ].I E E E T r a n sP a t t e r n A n a l M a c hI n t e l l ,1997,9(1):121129.[4]C A I J ,L I UZQ.An e wt h r e s h o l d i n g a l g o r i t h m b a s e do na l l -p o l em o d e l [C ]ʊP r o c e e d i n g so f t h e14t hI n t e r n a t i o n a l C o n f e r e n c e o nP a t t e r nR e c o g n i t i o n .B r i b a n e :I E E E ,1998:3436.[5]G U O R ,P A N D I TS M.A u t o m a t i c t h r e s h o l ds e l e c t i o nb a s e do nh i s t o gr a m m o d e sa n dad i s c r i m i n a n t c r i t e r i o n [J ].M a c hV i s i o nA p p l ,1998,10:331338.[6]J OHA N N S E N G ,B I L L EJ .At h r e s h o l ds e l e c t i o n m e t h o du s i n g i n f o r m a t i o n m e a s u r e s [C ]ʊP r o c e e d i n gso f t h e6t h I n t e r n a t i o n a l C o n f e r e n c e o nP a t t e r nR e c o g n .M u n i c h :G e r m a n y ,1982:140143.[7]P A L N R.O nm i n i m u mc r o s s -e n t r o p y t h r e s h o l d i n g [J ].P a t t e r nR e c o g n ,1996,29(4):575580.[8]S U NCY.An o v e lf u z z y e n t r o p y a p p r o a c h t o i m ag e e nh a n c e m e n t a n d t h r e s h o l di n g [J ].S i gn a l P r o c e s s ,1999,75:277301.[9]L I UJZ ,L I W Q.T h ea u t o m a t i ct h r e s h o l d i n g o f g r a y -l e v e l p i c t u r e sv i at w o -d i m a n s i o n a lO t s u me t h o d [J ].A c t a A u t o m a t i c aS i n ,1993,19:101105.[10]景晓军,李剑峰,刘郁林.一种基于三维最大类间方差的图像分割算法[J ].电子学报,2003,31(9):12811285.[11]C HA N GC ,C H E N K ,WA N GJ ,e t a l .Ar e l a t i v e e n t r o p y b a s e d a p p r o a c h i n i m a g e t h r e s h o l d i n g [J ].P a t t e r nR e c o gn ,1994,27(9):12751289.[12]B R I N K A D.M i n i m u ms p a t i a l e n t r o p y t h r e s h o l d s e l e c t i o n [J ].I E E EP r o c e e d i n g s ,1995,142(3):128132.925 第6期 杨林蛟:基于阈值的图像分割算法研究综述:原理㊁分类及典型算法。