下载文档原格式
阈值分割的三角方法
阈值分割技术是数字图像处理中最常用的图像分割方法之一，它是通过对图像像素的灰度级进行阈值处理，将图像分成不同的区域。
这种简单而有效的方法可用于计算机视觉、医疗成像、无人驾驶等领域。
三角方法是阈值分割技术中比较常用的一种方法。
该方法首先将灰度级从0到255进行等分，然后以等分后的三个数为阈值进行图像分割。
三角方法的实现基于以下过程：
1. 选择图像中的像素值最小值min和最大值ma某，对其进行归一化处理；
2. 设定阈值初始值T为( min + ma某 ) / 2；
3.对图像中的像素值进行判断，若像素值小于等于T，则将像素标记为背景像素，否则将像素标记为前景像素；
4.分别计算前景像素和背景像素的平均灰度值，更新阈值T为(前景像素平均灰度+背景像素平均灰度)/2；
5.迭代地执行第3步和第4步，直到阈值T不再变化为止。
三角方法的主要优点是计算简单、速度快，适用于处理灰度值分布双峰的图像。
其缺点是对于非双峰图像效果较差，可能会产生过度分割或欠分割的问题。
为了解决这些问题，三角方法可以进行一些改进。
例如，采用多个阈值对图像进行分割，即多阈值分割技术；或者结合其他分割方法，如区域生长、聚类等方法进行综合分割。
总之，三角方法是一种简单而有效的阈值分割方法，它可以在许多场景中应用，但也需要与其他方法结合使用以进一步提高分割效果。
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。
阈值分割原理阈值分割是一种数字图像处理中常用的像素分割方法，其原理主要是基于图像灰度值的统计特性。
其思路是分别统计图像中不同灰度级别的像素个数，通过确定一个灰度值作为阈值，将图像中的像素分成两类，进而实现对图像的分割。
阈值分割的基本原理是通过将图像灰度值分为两个区间，从而将灰度低于或高于阈值的像素分为两类，从而实现图像的二值化处理。
本文将对阈值分割的基本原理、常用的实现方法以及应用进行全面的介绍。
阈值分割的基本原理阈值分割的基本原理是将图像中的像素分为两个部分，一部分为灰度值大于等于阈值的像素，另一部分为灰度值小于阈值的像素。
此时，我们可以将分割出来的灰度值较低的像素赋值为0，灰度值较高的像素赋值为1，从而将其转化为二进制图像。
这种方法通常用于物体检测、图像分割、OCR等领域，其中图像分割是其中应用最为广泛的领域之一。
在将图像进行阈值分割时，需要找到一个合适的阈值。
阈值可以是任何一个位于图像灰度值范围之内的值。
阈值分割方法需要根据具体的场景进行灰度值的筛选，通常可以选择采用迭代法、聚类法、最大间隔法和形态学方法等实现。
1. 迭代法迭代法通常是一种较为常见的方法。
这种方法的基本思路是：先在图像的灰度值范围内随机选取一个阈值，然后对目标二值化图像进行处理，将灰度大于或等于该阈值的像素设为前景像素（白色），将小于该阈值的像素设为背景像素（黑色）。
接着，可以计算出前景和背景的平均灰度值，将其作为新的阈值。
将新阈值作为该算法的输入，重复执行该算法，直到图像中的前景像素和背景像素稳定不变为止。
2. 聚类法聚类法是一种常用的阈值寻找方法。
该方法基于聚类分析的思想，将图像中的像素分为多个簇。
这些簇是按照图像灰度值进行排序的，每个簇的中心都对应一种不同的灰度值。
在这种情况下，我们可以寻找显著区分不同灰度值区间的簇，以确定阈值。
3. 最大间隔法最大间隔法是一种基于统计学原理的方法，它可以有效地找到分离前景像素和背景像素的最佳阈值。
医学影像处理中的自适应阈值分割算法医学影像处理在现代医学应用中扮演着极为重要的角色。
随着计算机技术和数字图像处理技术的不断发展，医学影像处理技术也越发成熟，被广泛应用于医学诊断、疾病研究、医疗检测等方面。
医学图像的自动分割技术是医疗影像处理的重要内容之一。
其中，自适应阈值分割算法是一种基于图像直方图分析的图像分析和处理方法，因其能够适应灰度分布不均匀的图像，也就成为医学影像分割领域中应用广泛的技术。
随着医疗影像学技术的发展，医学影像数据的数量以及复杂度也在不断增加，因此如何快速、自动、准确地对医学影像进行分割成为了医学影像处理领域需要解决的难题。
自适应阈值分割算法是一种能够有效解决医学影像非均匀性分布问题的自动分割方法。
该方法将图像处理为灰度直方图，并据此选取合适的阈值进行图像分割。
由于该算法的计算量较小，并且不依赖于特定的二值化阈值，因此在处理医学影像数据中表现出良好的稳定性，从而得到了广泛的应用。
自适应阈值分割算法主要包括基于灰度值的区域分割和基于边界线的区域分割两种方法。
其中，基于灰度值的区域分割通常将图像分成若干个区域，然后对每个区域选取适当的阈值进行分割；而基于边界线的区域分割，则是在灰度图像的边缘区域内使用自适应阈值分配算法，根据图像边缘的特点进行分割。
近年来，随着深度学习技术的广泛应用，医学影像领域也开始探索使用深度学习来进行自动分割和诊断。
有许多研究表明，使用深度学习技术相对于传统的自适应阈值分割算法能够取得更好的分割效果。
然而，深度学习要求有足够的数据进行训练，这在医学影像处理中并不容易实现。
因此，在实际应用中，自适应阈值分割算法仍然是医学图像处理中广泛应用的一种算法，它具有较好的适应性和实时性，能够高效地分割医学影像。
总而言之，自适应阈值分割算法是医学影像处理领域中常用的自动分割技术之一。
它具有简单、快速、适应性强等优点，可以广泛应用于医学影像的分割和诊断。
在不断发展的医学影像处理领域，随着深度学习技术的不断进步，自适应阈值分割算法的一些缺点也将逐渐被克服，使其能够更好地服务于人类的健康事业。
阈值分割的原理一、引言阈值分割是图像处理中常用的一种方法，它的基本思想是将图像中的像素根据其灰度值分成两个或多个类别。
阈值分割在数字图像处理、计算机视觉、模式识别等领域都有广泛应用。
本文将详细介绍阈值分割的原理。
二、阈值分割的基本概念1. 图像灰度值在数字图像处理中，图像是由一个个离散的点组成，每个点称为像素。
每个像素都有一个灰度值，表示该点的亮度程度。
灰度值通常用整数表示，范围为0~255。
2. 阈值阈值是指将灰度图像划分成多个类别时所使用的一个参数。
将图像中所有灰度值小于等于阈值的像素划为一类，大于阈值的划为另一类。
3. 二值化二值化是指将灰度图像转换成只包含两种颜色（黑色和白色）的二元图像。
通常情况下，黑色表示前景对象，白色表示背景。
三、全局阈值分割全局阈值分割是最简单也最常用的一种方法。
它假设整幅图像只有两个类别（前景和背景），并且这两个类别的像素灰度值分布是双峰的。
因此，全局阈值分割的目标就是找到这两个峰之间的谷底，作为阈值。
1. Otsu算法Otsu算法是一种自适应的全局阈值分割方法。
它基于灰度直方图，通过最大化类间方差来确定阈值。
具体步骤如下：（1）计算图像灰度直方图。
（2）计算每个灰度级所占比例。
（3）从0~255遍历所有可能的阈值T，计算该阈值下前景和背景的均值μ0、μ1和类间方差σb^2。
（4）选择使得类间方差σb^2最大的阈值作为最终阈值。
2. 基于形态学梯度的全局阈值分割基于形态学梯度的全局阈值分割方法利用了形态学梯度对边缘进行增强，并将其作为二元图像进行处理。
具体步骤如下：（1）对原始图像进行膨胀和腐蚀操作，得到形态学梯度图像。
（2）对形态学梯度图像进行全局阈值分割，得到二元图像。
（3）对二元图像进行形态学操作，去除噪声和孤立点。
四、局部阈值分割局部阈值分割是一种自适应的方法，它将整幅图像分成若干个小区域，每个区域内的阈值可以根据该区域内像素的灰度值分布自动确定。
常用的方法有基于均值、基于中值和基于方差的局部阈值分割。
阈值分割方法1. 什么是阈值分割？阈值分割是将图像根据其灰度级分割成两个或多个部分的过程。
这个过程中，我们选择一个阈值来确定像素应该属于哪个类别（前景或背景）。
2. 常见的阈值分割方法有哪些？常用的阈值分割方法包括全局阈值法、局部阈值法（如Otsu阈值法）、自适应阈值法、多阈值分割法等。
3. 全局阈值法是如何工作的？全局阈值法首先计算出图像的灰度平均值作为初始阈值，然后迭代地计算前景和背景的平均灰度值并重新计算阈值，直到阈值收敛为止。
4. 局部阈值法是如何工作的？局部阈值法将图像分割成许多小区域，然后为每个区域选择不同的阈值。
这可以让我们在处理具有不同灰度级的图像时获得更好的结果。
5. Otsu阈值法是如何工作的？Otsu阈值法是一种自适应阈值方法，它通过寻找使类间差异最大的阈值来确定图像的二值化阈值。
6. 自适应阈值法是如何工作的？自适应阈值法将图像分割成多个子区域，并根据每个子区域的统计特性来确定二值化阈值。
这可以解决具有大量噪声的图像的问题。
7. 多阈值分割法是如何工作的？多阈值分割法将图像分成多个部分，并针对每个部分选择不同的阈值。
这在处理具有多个目标或复杂纹理的图像时特别有用。
8. 如何选择最佳阈值？选择最佳阈值的方法取决于我们所处理的图像以及我们所需的分割质量。
通常，我们可以使用像Otsu阈值法这样的自适应方法，或者手动测试不同阈值的效果以找到最佳的阈值。
9. 阈值分割的优缺点是什么？阈值分割的主要优点是简单快速，并且容易实现。
它不能很好地处理具有复杂纹理或多个目标的图像，并且对图像中的噪声比较敏感。
10. 阈值分割在哪些领域应用广泛？阈值分割在医学影像处理、计算机视觉、机器人技术、数字图像处理等领域应用广泛。
在医学领域，阈值分割用于提取CT和MRI扫描中的病变区域。
在计算机视觉中，阈值分割可以用于滤除图像背景或提取目标区域。
在机器人技术中，阈值分割可用于机器人导航和自动化应用等方面。
【数字图像处理】灰度图像⼆值化灰度图像每副图像的每个像素对应⼆维空间中⼀个特定的位置，并且有⼀个或者多个与那个点相关的采样值组成数值。
灰度图像,也称为灰阶图像,图像中每个像素可以由0(⿊)到255(⽩)的亮度值(Intensity)表⽰。
0-255之间表⽰不同的灰度级。
灰度图像⼆值化⼆值化：以⼀个值（阈值）为基准，⼤于（等于）这个值的数全部变为是1（或者0），⼩于等于这个数的就全部将他们变为0（或1）。
⼆值化算法处理飞思卡尔赛道思路：设定⼀个阈值valve，对于图像矩阵中的每⼀⾏，从左⾄右⽐较各像素值和阈值的⼤⼩，若像素值⼤于或等于阈值，则判定该像素对应的是⽩⾊赛道；反之，则判定对应的是⿊⾊的⽬标引导线。
记下第⼀次和最后⼀次出现像素值⼩于阈值时的像素点的列号，算出两者的平均值，以此作为该⾏上⽬标引导线的位置。
摄像头的⼆值化的代码：Void image_binaryzation(){for(int i=0;i{for(int j=0;j{if(Image[i][j] >= Threshold)Image_new[i][j]=1;elseImage_new[i][j]=0;}}}Row是对应采集到的⾏数，Col是列数，Image[i][j]是摄像头采集未⼆值化的数据存放的数组，Img[i][j]是新建的存放⼆值化后的数组。
合适的阈值在阈值⼆值化中，最主要的是选取合适的阈值，这也是⼆值化的难点所在。
常⽤的⼆值化阈值选取⽅法有双峰法、p参数法、⼤律法（Otsu法）、最⼤熵阈值法、迭代法等。
⼤律法（Otsu法）Otsu⽅法⼜名最⼤类间差⽅法，通过统计整个图像的直⽅图特性来实现全局阈值T的⾃动选取，其算法步骤为：1) 先计算图像的直⽅图，即将图像所有的像素点按照0~255共256个bin，统计落在每个bin的像素点数量2) 归⼀化直⽅图，也即将每个bin中像素点数量除以总的像素点3) i表⽰分类的阈值，也即⼀个灰度级，从0开始迭代4) 通过归⼀化的直⽅图，统计0~i 灰度级的像素(假设像素值在此范围的像素叫做前景像素) 所占整幅图像的⽐例w0，并统计前景像素的平均灰度u0；统计i~255灰度级的像素(假设像素值在此范围的像素叫做背景像素) 所占整幅图像的⽐例w1，并统计背5) 计算前景像素和背景像素的⽅差 g = w0*w1*(u0-u1) (u0-u1)6) i++；转到4)，直到i为256时结束迭代7）将最⼤g相应的i值作为图像的全局阈值缺陷:OSTU算法在处理光照不均匀的图像的时候，效果会明显不好，因为利⽤的是全局像素信息。
1．课程设计的目的(1)使学生通过实验体会一些主要的分割算子对图像处理的效果，以及各种因素对分割效果的影响(2)使用Matlab软件进行图像的分割(3)能够进行自行评价各主要算子在无噪声条件下和噪声条件下的分割性能(4)能够掌握分割条件（阈值等）的选择(5)完成规定图像的处理并要求正确评价处理结果，能够从理论上做出合理的解释2．课程设计的要求（1）能对图像文件（bmp,jpg,tiff,gif）进行打开，保存，退出等功能操作（2）包含功能模块：图像的边缘检测（使用不同梯度算子和拉普拉斯算子）（3）封闭轮廓边界（4）区域分割算法：阈值分割，区域生长等3．前言3.1图像阈值分割技术基本原理所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。
简单的讲，就是在一幅图像中，把目标从背景中分离出来，以便于进一步处理。
图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提。
同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准]5[。
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。
若图像中目标和背景具有不同的灰度集合：目标灰度集合与背景灰度集合，且两个灰度集合可用一个灰度级阈值T进行分割。
这样就可以用阈值分割灰度级的方法在图像中分割出目标区域与背景区域，这种方法称为灰度阈值分割方法。
在物体与背景有较强的对比度的图像中，此种方法应用特别有效。
比如说物体内部灰度分布均匀一致，背景在另一个灰度级上也分布均匀，这时利用阈值可以将目标与背景分割得很好。
如果目标和背景的差别是某些其他特征而不是灰度特征时，那么先将这些特征差别转化为灰度差别，然后再应用阈值分割方法进行处理，这样使用阈值分割技术也可能是有效的设图像为f(x,y)，其灰度集范围是[0,L]，在0和L 之间选择一个合适的灰度阈值T ，则图像分割方法可由式（2.1）描述（2.1） 这样得到的g(x,y)是一幅二值图像。
3.2图像阈值分割技术研究现状和实际应用阈值法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。
已被应用于很多的领域，例如，在红外技术应用中，红外无损检测中红外热图像的分割，红外成像跟踪系统中目标的分割；在遥感应用中，合成孔径雷达图像中目标的分割等；在医学应用中，血液细胞图像的分割，磁共振图像的分割；在农业工程应用中，水果品质无损检测过程中水果图像与背景的分割]11[。
在工业生产中，机器视觉运用于产品质量检测等等。
在这些应用中，分割是对图像进一步分析、识别的前提，分割的准确性将直接影响后续任务的有效性，其中阈值的选取是图像阈值分割方法中的关键技术。
3.3图像阈值分割技术研究背景意义阈值分割的优点是计算简单，运算效率较高，速度快。
全局阈值对于灰度相差很大的不同目标和背景能进行有效的分割。
当图像的灰度差异不明显或不同目标的灰度值范围有重叠时，应采用局部阈值或动态阈值分割法。
另一方面，这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。
在实际应用中，阈值法通常与其他方法结合使用]4[。
法也叫变化阈值法，或自适应阈值法。
这类算法的时间复杂性和空间复杂性比较大，但是抗噪能力强，对一些用全局阈值不易分割的图像有较好的效果。
T y x f Ty x f y x g ≥<),(),(10){,(4． 图像阈值分割理论知识叙述及设计方案4.1阈值分割的基本概念图像阈值化分割是一种最常用，同时也是最简单的图像分割方法，它特别适用于目标和背景占据不同灰度级范围的图像[1]。
它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。
图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域布局有这种一致属性。
这样的划分可以通过从灰度级出发选取一个或多个阈值来实现]2[。
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，把图像像素点分为若干类．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)，按照一定的准则在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()()()⎩⎨⎧≥<=.,.,,10t y x f b t y x f b y x g若取 ：b 0=0（黑）,b 1=1（白），即为我们通常所说的图像二值化。
一般意义下，阈值运算可以看作是对图像中某点的灰度、该点的某种局部特性以及该点在图像中的位置的一种函数，这种阈值函数可记作T(x ，y ，N(x ，y)，f(x ，y))式中，f(x ，y)是点(x ，y)的灰度值；N(x ，y)是点(x ，y)的局部邻域特性．根据对T 的不同约束，可以得到3种不同类型的阈值，即（1）点相关的全局阈值T ＝T(f(x ，y))(只与点的灰度值有关)（2）区域相关的全局阈值T ＝T(N(x ，y)，f(x ，y))(与点的灰度值和该点的局部邻域特征有关)（3）局部阈值或动态阈值T＝T(x，y，N(x，y)，f(x，y))(与点的位置、该点的灰度值和该点邻域特征有关)所有这些阈值化方法]3[，根据使用的是图像的局部信息还是整体信息，可以分为上下文无关(non-contextual)方法(也叫做基于点(point-dependent)的方法)和上下文相关(contextual)方法(也叫做基于区域(region-dependent)的方法)；根据对全图使用统一阈值还是对不同区域使用不同阈值，可以分为全局阈值方法(global thresholding)和局部阈值方法(local thresholding，也叫做自适应阈值方法adaptive thresholding)；另外，还可以分为双阈值方法(bilever thresholding)和多阈值方法(multithresholding)。
4.2阈值分割方法的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三大类]9[：（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。
（2）基于区域的全局阈值方法对一幅图像而言，不同的区域，比如说目标区域或背景区域，同一区域内的象素，在位置和灰度级上同时具有较强的一致性和相关性。
（3）局部阈值法和多阈值法局部阈值(动态阈值) 当图像中有如下一些情况：有阴影，照度不均匀，各处的对比度不同，突发噪声，背景灰度变化等，如果只用一个固定的全局阈值对整幅图像进行分割，则由于不能兼顾图像各处的情况而使分割效果受到影响。
有一种解决办法就是用与象索位置相关的一组阈值(即阈值使坐标的函数)来对图像各部分分别进行分割。
这种与坐标相关的阈值也叫动态阈值，此方法也叫变化阈值法，或自适应阈值法。
这类算法的时间复杂性和空间复杂性比较大，但是抗噪能力强，对一些用全局阈值不易分割的图像有较好的效果]10[。
本文对基于对图像阈值分割技术的理解，介绍以下三种算法的使用及实现：基于灰度直方图的阈值选取图像分割、基于最大熵的阈值分割和基本全局门限算法实现阈值分割。
4.3阈值分割的处理算法4.3.1基于灰度直方图的阈值选取图像分割（MATLAB实现）直方图给出了图像中各个灰度级再图像中所占的比例。
图像分割的目的在于将图像中的前景从背景中提取出来，而前景与背景的灰度值有差距，这个差距在直方图中表现出来就是：直方图上会出现一个谷底值，如果我们将这个谷底所对应的灰度值作为阈值，那么就可以将前景从背景中提取出来，可惜往往这个谷底不是很明显，不过这是阈值选取的最基本的方法。
4.3.2基于灰度直方图的阈值选取方法描述对灰度图像的阈值分割就是先确定一个处干图像灰度取值范围之中的灰度阈值, 然后将图像中各个象素的灰度值都与这个阈值相比较, 并根据比较结果将对应的象素分为两类这两类象素一般分属图像的两类区域, 从而达到分割的目的从该方法中可以看出, 确定一个最优闭值是分割的关键现有的大部分算法都是集中在阈值确定的研究上。
阈值分割方法根据图像本身的特点, 可分为全局闭值法局部闭值法。
全局阈值法利用全局信息如灰度直方图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淘值法是把原始的整幅图像分为几个小的子图像, 再对每个子图像分别求出最优阈值。
程序流程图如下图]7[所示：假设图像由具有单峰灰度分布的目标和背景组成，在目标和背景内部的相邻象素间的灰度值是高度相关的，但在目标和背景处两边的象素在灰度值上有很大的区别，这类图像常可用取阈值方法来较好的分割。
这是未经转换的原始图：5．基于灰度阈值图像分割技术的源代码clear;I = imread('F:che.gif');figure, imshow(I), title('original image');C=histc(I,0:255);%histc是一个内部函数n=sum(C');%n(k)表示灰度值=k的象素的个数N=sum(n);%求出图象象素总数t=n/N;%t(k)表第k个灰度级出现的概率figure;bar(0:255,t);%画直方图title('histogram');hold off;axis([0,255,0,0.03]);%开始利用阈值法分割图像[p,threshold]=min(t(120:150));%寻找阈值threshold=threshold+120;tt=find(I>threshold);I(tt)=255;tt=find(I<=threshold);I(tt)=0;figure;imshow(I);title('the thresholded image');6.仿真结果灰度直方图：阈值分割后的图像：结果分析：实验结果表明：本文提出的基于最大熵的自动图像阈值选取分割算法分割效果要明显优于传统基于直方图的阈值分割算法，分割效果良好。
