7-2 图像分割二——阈值处理
一、实验目的：
1. 理解和掌握全局阈值处理和局部阈值处理的基本原理；
2. 利用 MATLAB 编程实现对图像进行阈值处理，包括全局阈值处理，局
部阈值处理；
3. 通过实验体会分割方法对图像处理的效果，以及各种因素对分割效果的
影响。
二、实验内容：
1. 利用 Matlab 编程实现基本全局阈值处理、Otsu 方法和局部阈值处理，
比较并分析这几种方法分割图像的效果。
2. 理解教材 p221 自定义函数计算给定图像直方图的 T 和 SM 的原理，
并实现；
3. 利用 Matlab 编程实现使用基于梯度的边缘信息改进全局阈值处理、使
用基于拉普拉斯
三、实验步骤：
1. 读入图像并绘制原始图像直方图,代码如下：
clc;clear
f = imread('Fig723(a).jpg');
imshow(f)
title('原始图像')
figure;
imhist(f)
title('原始图像直方图') axis([0 250 0 1200])
2.基本全局阈值处理，代码如下：
f=imread('Fig723(a).jpg');
count = 0;
T = mean2(f);
done = false;
while ~done
countcount = count + 1;
g = f > T;
Tnext = 0.5*(mean(f(g)) + mean(f(~g)));
done = abs(T - Tnext) < 0.5;
T = Tnext;
end
g = im2bw(f, T/255);
subplot(121);
imshow(f)
subplot(122);
imshow(g);
title('基本全局阈值处理后的图像')
3. 使用函数 graythresh 实现 Otsu 分割方法。
参考代码：
clc;clear
f = imread('Fig723(a).jpg');
迭代法阈值分割
迭代法阈值分割是将图像根据其灰度值划分成两个不同的区域的分割方法。该方法基于不同灰度级别的像素点在一定阈值下的分布情况。迭代法的过程是：首先将图像的灰度值按照一定方式分类，再计算每个分类的平均值作为阈值，然后将这个阈值与原来设置的阈值进行比较，如果不相等，则再次分类，直到阈值不再改变，即分割结束。
迭代法阈值分割的步骤如下：
1.设置初始阈值（一般是灰度值的平均值）。
2.将图像的灰度值按照阈值分为两个区域。
3.分别计算两个区域的平均灰度值。
4.将计算出的平均灰度值作为新的阈值，与原来的阈值进行比较。
5.如果两个阈值相同，则分割结束；如果不同，则将新的阈值作为初始阈值，重新进行分割。
6.重复步骤2至步骤5，直到阈值不再改变，分割结束。
迭代法阈值分割是一种简单的图像分割方法，但是结果可能不够理想，因为它不能处理图像中灰度值分布不均匀的情况，也不能处理图像的噪声。因此，在实际应用中需要结合其他方法来提高分割效果。
图像处理中的图像分割算法的准确性与效率比较
图像分割是图像处理领域中的重要任务之一，它的目标是将图像中的不同区域划分开来，以便进一步进行图像分析、目标识别、图像重建等操作。图像分割算法的准确性和效率是评估一个算法性能的重要指标。本文将对几种常见的图像分割算法进行准确性和效率的比较。
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常用的一种方法。它根据像素灰度值与设定的阈值进行比较，将图像分成两个或多个区域。这种方法的准确性和效率都相对较低。当图像具有类似灰度的不同物体时，阈值选择变得困难，并且难以处理复杂的图像背景。
二、基于区域的图像分割算法
基于区域的图像分割算法是将具有相似特征的像素划分到同一个区域的方法。常用的算法有区域生长、分水岭算法等。这种方法通常从种子点开始，根据像素之间的相似性逐步扩展区域。区域生长算法在处理较小的目标时准确性较高，但在处理大型目标时可能会出现过分合并的情况。分水岭算法通过模拟水流从最低处开始填充，直到达到分水岭为止。该算法能够处理复杂的图像背景，但在处理具有重叠目标时准确性较低。
三、基于边缘的图像分割算法
基于边缘的图像分割算法通过检测物体边缘将图像分割成不同的区域。常见的算法有Canny边缘检测、Sobel算子等。边缘检测算法能够准确地检测物体边界，但在处理噪声较多的图像时效果较差。
四、基于聚类的图像分割算法
基于聚类的图像分割算法是将图像像素划分为多个类别的方法。常见的算法有K-means聚类算法、Mean-Shift算法等。这种方法可以根据像素之间的相似性将图像分割成不同的区域，准确性较高。然而，聚类算法的计算复杂度较高，处理大尺寸图像时可能效率较低。
五、基于深度学习的图像分割算法
近年来，基于深度学习的图像分割算法取得了显著的进展。使用卷积神经网络（CNN）等技术，可以对图像进行端到端的像素级别分割。这种方法的准确性相对较高，并且能够处理复杂的图像场景。然而，这种方法在计算复杂度和计算资源消耗方面较高，需要较大的训练集和计算设备支持。
图像分割中的阈值算法
随着计算机技术的不断发展和普及，图像处理技术已经成为现代科学研究和生产活动中必不可少的一项重要内容。而图像分割是图像处理中的一个重要领域，它是指将一幅图像分成若干个离散的区域，每个区域内具有相似的属性。而阈值算法是实现图像分割的一种基本方法，下面我们就来仔细探究一下阈值算法在图像分割中的应用。
一、阈值算法的原理
在进行阈值分割时，需要确定一个阈值t，把图像分成两个部分：小于t的部分和大于等于t的部分。在分割后的图像中，小于t的部分被归为一类，大于等于t的部分被归为另一类。阈值算法根据图像的灰度值来确定阈值t，主要通过区分图像的背景和前景，将原始图像进行简单的二元操作。而对于彩色图像，需要将其转化成灰度图像，再进行阈值处理。
二、阈值算法的实现过程
阈值算法通常可以分为两类：全局阈值方法和局部阈值方法。全局阈值方法指在整幅图像上进行统一的阈值处理，而局部阈值方法则是根据图像中相邻像素之间的关系设置不同的阈值。
（一）全局阈值方法
在全局阈值方法中，首先需要确定阈值t，常见的方法有以下两种：
1. 直方图法：通过统计像素点灰度值的分布情况来确定阈值t。一般情况下，图像中的背景和前景值具有比较大的差异，因此，阈值t一般是两者之间的一个最小值。
2. Otsu法：是一种非常流行的用于确定全局阈值的方法。Otsu法从整幅图像的直方图中查找分布最大的极值点，通过寻找这个极值点，将图像分成前景和背景两个部分。
确定了阈值t之后，可以进行如下的二元操作：
1. 当像素的值小于阈值t时，该像素被划分为背景，用0表示。
2. 当像素的值大于等于阈值t时，该像素被划分为前景，用1表示。
（二）局部阈值方法
局部阈值方法通过考虑图像中相邻像素之间的关系，来确定像素的阈值。主要有以下两种方法：
1. 局部固定阈值法：在该方法中，将一定大小的像素块作为整体，针对每个像素块进行阈值处理。这种方法的优点是能够适应光线不均匀以及图像噪声的情况。
