阈值分割法
阈值分割法分为全局阈值法和局部阈值分割法。所谓局部阈值分割法是将原始图像划分成较小的图像，并对每个子图像选取相应的阈值。在阈值分割后，相邻子图像之间的边界处可能产生灰度级的不连续性，因此需用平滑技术进行排除。局部阈值法常用的方法有灰度差直方图法、微分直方图法。局部阈值分割法虽然能改善分割效果，但存在几个缺点：
（1）每幅子图像的尺寸不能太小，否则统计出的结果无意义。
（2）每幅图像的分割是任意的，如果有一幅子图像正好落在目标区域或背景区域，而根据统计结果对其进行分割，也许会产生更差的结果。
（3）局部阈值法对每一幅子图像都要进行统计，速度慢，难以适应实时性的要求。
全局阈值分割方法在图像处理中应用比较多，它在整幅图像内采用固定的阈值分割图像。经典的阈值选取以灰度直方图为处理对象。根据阈值选择方法的不同，可以分为模态方法、迭代式阈值选择等方法。这些方法都是以图像的直方图为研究对象来确定分割的阈值的。另外还有类间方差阈值分割法、二维最大熵分割法、模糊阈值分割法、共生矩阵分割法、区域生长法等等。
对于比较简单的图像，可以假定物体和背景分别处于不同的灰度级，图像被零均值高斯噪声污染，所以图像的灰度分布曲线近似认为是由两个正态分布函数（ ）和（ ）叠加而成，图像的直方图将会出现两个分离的峰值，如图五所示。对于这样的图像，分割阈值可以选择直方图的两个波峰间的波谷所对应的灰度值作为分割的阈值。这种分割方法不可避免的会出现误分割，使一部分本属于背景的像素被判决为物体，属于物体的一部分像素同样会被误认为是背景。可以证明，当物体的尺寸和背景相等时，这样选择阈值可以使误分概率达到最小。在大多数情况下，由于图像的直方图在波谷附近的像素很稀疏，因此这种方法对图像的分割影响不大。这一方法可以推广到具有不同灰度均值的多物体图像。
双峰直方图
迭代式阈值选择算法是对上一种方法的改进，它首先选择一个近似阈值T，将图像分割成两部分 和 ，计算区域 和 的均值 和 ，选择新的分割阈值T=( )/2，重复上述步骤直到 和不再变化为止。
本文转自
http://blog.csdn.net/ywywcy/archive/2007/07/24/.aspx
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/233158.html原文链接：https://javaforall.net
