数字图像处理方向学术论文
第一章 绪论 5
1.2.1 阈值分割方法
阈值分割方法的历史可追溯到近40年前，现已提出了大量算法，对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范围之中的灰度阈值，然后将图像中各个像素的灰度都与这个阈值相比较，并根据比较结果将对应的像素分为两类。这两类像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，确定一个最优阈值是分割的关键。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，可分为单阈值分割方法和多阈值分割方法；也可分为基于像素值的阈值分割方法、基于区域性质的阈值分割方法和基于坐标位置的阈值分割方法。若根据分割算法所有的特征或准则，还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化方差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松弛法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。
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。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，其中阈值的选取是阈值分割方法中的关键技术。
[37]根据所用信息的不同，将阈值分割方法分为基于直方图形状的方法、基于聚类的方法、基于熵的方法、基于目标特征的方法、基于高阶概率分布的空域方法、局部方法等六类。
（1）基于直方图形状的方法，这类方法是对图像直方图的峰，谷以及曲率进行分析；
（2）基于聚类的方法，这类方法中，像素分别聚类为背景和前景（目标），或者分别为两种高斯模型的混和。
（3）基于熵的方法，这类方法是利用前景和背景的熵以及原始图像和二值图像的交叉熵信息；
（4）基于目标属性的方法，这类方法是在灰度级和二值图像间寻找一个相似度的度量，例如模糊形状相似度，边缘匹配度等；
（5）基于高阶概率分布和像素间相关信息的空域分割方法，这类方法是利用高阶概率分布和（或）像素间的相互作用。
（6）基于局部自适应的方法，这类方式把每个像素的阈值应用到局部图像特