图像分割中阈值的自动选取的研究及其算法实现

基于VC++的图像阈值分割与轮廓提取技术的研究与实现摘要：目前，随着计算机图像处理技术的飞速发展，医学图像分割技术在医疗诊断中的应用也越来越广泛。

本文分析了区域的图像分割算法，提出了结合距离正则化的水平集演化模型的自适应算法，基于vc++6.0软件对人体心脏核磁共振图像进行了仿真实验分析。

关键词：图像分割；医学图像；仿真实验中图分类号：tp391.41 文献标识码：a 文章编号：1007-9599 （2012） 24-0028-031 基于区域的图像分割算法概述1.1 阈值分割算法阈值分割算法具有多种优点，包括简单便捷、性能高效等，对于目标背景与灰度级之间存在明显差异的图像来说，图像分割的效果比较理想。

阈值分割算法的应用首先要对图像进行部分预处理，为后期图像分割提供相关准备。

阈值分割算法在医学图像分割中经常用于身体骨骼、皮肤组织等医学图像。

但是，阈值分割算法也存在部分缺点，如果将阈值分割应用于灰度值差异不够明显，以及图像中噪声分布不均匀的图像中，其效果却不尽理想。

而且，阈值的选取对于医学图像的分割起着决定性作用，因此，阈值的选取也是至关重要的步骤。

1.2 区域生长及分裂合并算法区域生长算法的特点是图像分割步骤简单，经常用于对医学图像中的小部分组织进行图像分割，例如肿瘤分割、伤疤分割等等。

如果将区域生长算法与其他算法结合应用，将会达到事半功倍的分割效果。

区域生长算法的缺点是其对于图像噪声极为敏感，而且需要人工手动得到种子点。

区域分裂合并算法与区域生长算法的理念不尽相同，区域分裂合并算法是通过对图像的不断分裂得到图像的各个区域，这些区域之间具有一定的关联性，各个区域中相邻的部分根据合并准则完成合并。

1.3 分类器及聚类算法分类器包括参数分类器与非参数分类器两种。

典型的非参数分类器有parzen窗、k近邻等；而贝叶斯分类器为参数分类器的典型代表。

分类器的优点较多，包括能够有效降低算法的计算量，也不需要进行迭代运算，从而提高算法效率等等。

图像处理技术中的图像分割阈值选择方法探讨图像分割是图像处理的重要步骤之一，它将一幅图像划分成多个区域或对象，使得每个区域或对象具有一定的相似性或特征。

而图像分割的关键在于选择合适的阈值，以实现准确的分割结果。

本文将探讨图像处理技术中的图像分割阈值选择方法。

图像分割的目的是将图像中的前景和背景分开，使得每个区域或对象能够得到独立的处理。

在许多应用中，分割准确性对于后续处理步骤的成功非常关键。

因此，选择适当的阈值方法至关重要。

在图像处理中，有许多常用的图像分割阈值选择方法，比如全局阈值法、自适应阈值法、Otsu阈值法等。

下面将对这些方法进行详细的介绍和比较。

首先是全局阈值法，它是最简单和最常见的分割方法之一。

该方法假设图像中的前景和背景的灰度值具有明显的差异，并且像素的灰度值可以根据一个固定的阈值进行分类。

通常情况下，阈值可以通过试错法或者统计分析的方法来选择。

全局阈值法的优点是简单易用，计算速度快，适用于许多场景。

然而，该方法对于图像中存在灰度值分布不均匀或者背景复杂的情况表现不佳。

接下来是自适应阈值法，该方法能够根据图像中局部区域的特征动态地选择阈值。

它假设图像中的前景和背景的灰度值在局部区域内具有一定的相似性，并且像素的灰度值可以根据其局部区域的平均或中值来分类。

自适应阈值法的优点是能够适应图像中的灰度值变化和背景复杂的情况，但是计算复杂度会相应增加。

最后是Otsu阈值法，它是一种基于图像灰度直方图特性的自动分割方法。

Otsu 阈值法通过最大类间方差的方法选择阈值，即使得前景和背景之间的差异最大。

它能够自动选择合适的阈值，适用于各种图像。

Otsu阈值法的优点是能够自动化选择阈值，但是对于某些特殊图像，可能无法得到理想的分割结果。

除了以上介绍的常用方法外，还有一些其他的图像分割阈值选择方法，如基于聚类分析的方法、基于直方图的方法等。

这些方法在特定的应用场景中可能会有更好的效果，但是也有一定的局限性。

图像处理中的阈值分割算法图像处理是一种广泛应用的技术，涉及到计算机视觉、人工智能、医学影像处理等领域。

而阈值分割算法是图像处理中的基础算法之一，其应用广泛，包括图像二值化、图像增强、图像去噪等等。

阈值分割算法的原理阈值分割算法本质上是将图像分为两个部分，其中一部分是我们希望得到的目标图像，另一部分则是我们不需要的背景或者噪声。

阈值本身就是用于区分这两个部分的分类标准，当像素值高于阈值时，该像素点被分类为目标图像，而低于阈值时则被分类为背景或噪声。

通常情况下，我们需要调整阈值的大小来达到最佳的效果。

常见的阈值分割算法下面我们来介绍几种常用的阈值分割算法：1. 简单阈值法简单阈值法是最基本的阈值分割算法，其步骤非常简单：首先选择一个阈值，将图像分为两类，然后计算每类的像素平均值，再将两者的平均值求平均作为一个新的阈值，不断迭代，直到得到一个稳定的结果。

这种方法简单易行，但是对于噪声敏感，效果不稳定。

2. Otsu算法Otsu算法是一种自适应阈值分割算法，也是比较常见的一种算法。

它的基本思路是寻找一个最佳的阈值，使得目标图像和背景图像的类内方差最小，而类间方差最大。

3. 自适应阈值法自适应阈值法是一种基于局部图像特征的分割方法，其思路是将图像分成若干个子区域，然后在子区域内分别计算阈值，最后通过叠加的方式得到整张图像的最终阈值。

这种算法适用于逐渐变化的光照情况下的图像分割。

4. 谷底阈值法谷底阈值法是一种基于图像梯度的分割方法，其思路是通过找到图像梯度的最大值和最小值来确定阈值位置。

该算法适用于较大的、均匀亮度的图像分割。

总结阈值分割算法是一种广泛应用的图像处理方法，其优点是简单易行，但是缺点也很明显，对于噪声和不稳定的光照情况下准确性有限。

因此，在应用中需要根据具体情况选择对应的算法，以达到最佳的图像分割效果。

自动阈值算法是一种用于二值化图像的算法，它可以自动地确定图像中的像素值应该是1还是0。

这种算法通常被用于数字图像处理中的图像分割、目标识别和特征提取等任务。

自动阈值算法的基本思想是通过统计图像中像素的灰度值分布情况来确定阈值。

常用的自动阈值算法有以下几种：
1. Otsu算法：Otsu算法是最常用的自动阈值算法之一。

它通过计算图像中像素的灰度值分布直方图来确定阈值，使图像中两个类别（1和0）的类间方差最小。

Otsu算法的优点是快速且准确，但对于噪声较多的图像可能会出现误分类的情况。

2. 均值漂移算法：均值漂移算法是一种基于局部均值的图像分割算法。

它可以自动地确定阈值，将图像中的像素分成两个类别。

该算法的优点是可以处理噪声较多的图像，但对于复杂的图像可能会出现误分类的情况。

3. 基于支持向量机的算法：基于支持向量机的算法是一种基于机器学习的自动阈值算法。

它可以通过训练支持向量机模型来确定阈值，将图像中的像素分成两个类别。

该算法的优点是可以处理复杂的图像，但需要大量的计算资源和时间。

4. 基于神经网络的算法：基于神经网络的算法是一种基于人工神经网络的自动阈值算法。

它可以通过训练神经网络模型来确定阈值，将图像中的像素分成两个类别。

该算法的优点是可以处理复杂的图像，但需要大量的计算资源和时间。

总之，自动阈值算法可以帮助我们快速地对大量的二值化图像进行分类和处理，但需要根据具体的应用场景选择合适的算法。

otsu大津法阈值分割图像处理中的阈值分割是将图像分成两个或多个部分的一种方法，其中关键是选择适当的阈值。

Otsu大津法阈值分割是一种自动阈值选取算法，能够有效地辨识图像背景和前景，被广泛应用于各种图像分割任务。

一、Otsu大津法的原理及步骤Otsu大津法是基于最大类间方差的阈值选取算法。

其原理是通过找到使得类间方差最大的阈值来实现图像的分割。

这种方法被广泛应用于简单的图像分割任务，其步骤如下：1.计算图像的灰度直方图，获得各个灰度级下的像素数量。

2.根据像素数量计算各个灰度级的占比。

3.在灰度级范围内循环迭代，计算每个灰度级作为阈值分割后的类间方差。

4.选取使得类间方差最大的灰度级作为最优阈值。

5.根据最优阈值对图像进行二值化处理，将图像分为两个部分：背景和前景。

二、Otsu大津法的优点Otsu大津法有以下几个优点：1.自动化：Otsu大津法能够自动选择最佳阈值，无需人工干预，大大减少了人工处理的工作量。

2.可靠性：Otsu大津法通过最大化类间方差选择阈值，使得图像分割结果更加准确可靠。

3.适应性：Otsu大津法适用于各种类型的图像，无论是单一目标或多目标，都能有效实现分割。

三、Otsu大津法的应用领域Otsu大津法广泛应用于图像处理领域的各个方面，包括但不限于以下几个方面：1.医学图像分割：在医学影像学中，Otsu大津法常用于对CT、MRI 等图像进行分割，辅助医生进行病变诊断。

2.人脸识别：在人脸识别中，Otsu大津法可以将人脸与背景分离，提取人脸特征，以用于人脸识别算法中。

3.字符识别：在光学字符识别(OCR)中，Otsu大津法常用于图像的二值化处理，提高字符识别的准确性。

4.物体检测：在计算机视觉中，Otsu大津法可以实现物体的前景与背景的分割，用于物体检测与跟踪。

5.图像增强：Otsu大津法能够提取图像的前景与背景，为后续的图像增强算法提供更好的处理基础。

四、Otsu大津法的改进和扩展虽然Otsu大津法在图像分割任务中表现出色，但也存在一些限制。

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。

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。