目录摘要 (1)Abstract (2)前言 (3)第一章绪论 (4)1.1 图像阈值分割的背景及研究意义 (4)1.2 图像阈值分割国内外研究现状 (5)1.3论文研究的主要内容及各章结构安排 (5)第二章图像分割方法综述 (6)2.1图像分割技术的基本概念 (6)2.2.图像分割的基本分类 (6)2.2.1 边缘检测分割法 (7)2.2.2 阈值分割法 (8)2.2.3 区域分割法 (8)第三章图像阈值分割技术 (8)3.1 迭代法 (9)3.2 最大类间方差法 (11)3.3最小误差法 (13)3.4 最大熵法 (16)第四章图像分割算法的评价 (19)4.1 Dice系数 (19)4.2 Hausdorff距离 (20)4.3 Jaccard相似系数 (21)4.4 准确率、召回率 (21)4.5 分割效果分析 (21)第五章结论 (25)参考文献 (26)摘要图像分割是一个十分基础却十分重要的问题，它是数字图像处理和数字图像分析之间的关键桥梁，图像分割效果的好坏与后续一系列图像分析问题紧密相关。
所以，图像分割技术在整个数字图像处理中的地位十分重要。
本文首先对图像分割的有关理论做出简洁的介绍，重点探究图像阈值分割技术。
将对几种比较常见的阈值分割算法进行研究，主要是迭代法、最大类间方差法、最大熵法、最小误差法，并且对特定图像在MATLAB环境中进行了仿真测试。
本文采纳了一种图像分割评价标准，综合了Dice系数、Hausdorff距离、Jaccard相似系数、准确率、召回率等指标。
将手动分割的图像作为金标准，与算法分割的图像进行比较，在MATLAB 环境下给出算法图像与金标准图像的相似度，从而可以在评价各图像阈值分割算法上具有更强的说服力。
从最终的试验结果和参数分析可以看出，相比较其他三种算法分割方法，最大类间方差法不仅可以将图像中的背景和目标分割开来，而且对于图像细节的处理也比较好，并且在处理不同图像的图像时也具有良好的稳定性。
阈值分割⽅法
阈值分割⽅法是⼀种利⽤图像的每个像素灰度的不同，选定⼀个或者多个阈值，讲图像分成不同⼏类，每⼀类中的灰度值在⼀个范围之内属于⼀个物体。
这样⼏乎只能处理较为简单的图像，复杂的图像分割效果将不好。
第⼀步选取正确的阈值，第⼆步将图像中的灰度级与这个阈值相⽐较并分类。
选择阈值的⽅法：
⼀利⽤灰度直⽅图：
如果⽬标区域与背景区域的差别⽐较⼤，可以观察图像的灰度直⽅图，会有两个波峰，选择⾕底的灰度级作为阈值，即可以将⽬标区域与背景区域分割出来。
直⽅图只是图像灰度级的⼀个统计，并不⼀定会出现双峰⼀⾕的特性，⽽且双峰也不⼀定就是⽬标和背景，因此这样的⽅法不⼀定可靠。
⼆迭代求阈值：
⾸先选取⼀个估计阈值，可以⽤灰度平均值，然后将图像分为两个⼦图像，再⽤两个新图象的特性来重新计算这个阈值，并且重新分割成两个⼦图像，这样迭代下去直到这个阈值不再发⽣变化。
就确定了最终的阈值。
优缺点也是显⽽易见，太简单。
三⾃适应阈值分割 OSTU最⼤类间⽅差法：
被认为是图像分割中最好的选取阈值的⽅法。
使⽤的是聚类的思想，将图像分为两个灰度级，使得两个部分之间的灰度值差异最⼤，使得同⼀部分之间的灰度值差异最⼩，通过⽅差的计算来寻找⼀个最佳的阈值来⼆值化⼀个图像。
假设图像的背景较暗,并且图像的⼤⼩为M*N,图像中像素的灰度值⼩于阈值的像素个数记作N1,像素灰度⼤于阈值的像素个数记作N2,则有:
采⽤遍历的⽅法得到使类间⽅差最⼤的阈值,即为所求.
代码以后补充。
图像分割的常用方法
1. 阈值分割：根据像素灰度值与预设阈值之间的大小关系将图片分成黑白两个部分，常用于二值化处理。
2. 区域生长：利用像素之间的空间连通关系，从种子像素开始，将与其相邻的像素逐步合并成同一个区域。
3. 全局图像分割：将图像分成多个颜色或灰度级别，然后根据图像亮度、颜色、纹理、空间信息等特征进行分类，常用于分类、检测、识别等任务。
4. 模型分割：使用先前训练好的模型对图像分类和分割。
例如，利用卷积神经网络(CNN) 对图像进行分类和分割。
5. 基于图的分割：将图像转换成图形结构，建立节点之间的连接关系，通过图形算法对图形进行分割。
6. 边缘检测：检测图像中的边缘线条并将其分割出来，常用于目标检测和识别。
7. 水平集分割：该方法使用曲线(水平集) 对图像进行分割，可以在不同曲线之间自由地移动，因此在较复杂的图像中可以得到更好的分割效果。
