图像处理算法介绍：阈值分割.doc

《图像处理算法介绍：阈值分割.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、图像处理算法介绍：阈值分割在图像处理时，受外界光线的干扰一般比较大，假如在阈值分割时采用固定阈值，那么在环境改变时分割效果受影响极大，那么为了避免此影响就必须采用动态阈值，自动求出合适的阈值，将目标图像和背景图像分割开来。图像阈值化分割是一种最常用，同时也是最简单的图像分割方法，它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。因此，这里美国TEO将简要介绍图像处理算法：阈值分割。阈值分割法是一种基于

2、区域的图像分割技术，其基本原理是：通过设定不同的特征阈值，把图像像素点分为若干类。常用的特征包括：直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特征。设原始图像为f(x，y)，按照一定的准则在f(x，y)中找到特征值T，将图像分割为两个部分，当像素点灰度值或彩色值大于T时，则置为A1（其置可为1），小于T时，则置为A0（其置可为0）。下面是几种常用的阈值分割方法：1、p-分位数法这也是最基础最简单的一种图像分割方法。该方法使目标或背景的像素比例等于其先验概率来设定阈值，简单高效，但是对于先验概率难于估计的图像却无能为力。

3、例如，根据先验知识，知道图像目标与背景象素的比例为PO/PB,则可根据此条件直接在图像直方图上找到合适的阈值T，使得f(x,y)>=T的象素为目标，f(x,y)的象素为背景。2、迭代方法选取阈值初始阈值选取为图像的平均灰度T0，然后用T0将图像的像素点分作两部分，计算两部分各自的平均灰度，小于T0的部分为TA，大于T0的部分为TB。计算后，将T1作为新的全局阈值代替T0，重复以上过程，如此迭代，直至TK收敛，即TK＋1＝TK。经试验比较，对于直方图双峰明显，谷底较深的图像，迭代方法可以较快地获得满意结果。但是对于直方图双峰不明显，或图像

4、目标和背景比例差异悬殊，迭代法所选取的阈值不如最大类间方差法。3、直方图凹面分析法方法对某些只有单峰直方图的图像，可以作出分割。从直观上说，图像直方图双峰之间的谷底，应该是比较合理的图像分割阈值，但是实际的直方图是离散的，往往十分粗糙、参差不齐，特别是当有噪声干扰时，有可能形成多个谷底。从而难以用既定的算法，实现对不同类型图像直方图谷底的搜索。通常采用低通滤波的方法平滑直方图，但是滤波尺度的选择并不容易。此方法仍然容易受到噪声干扰，对不同类型的图像，表现出不同的分割效果,往往容易得到假的谷底。4、最大类间方差法由Otsu于1978年提出

5、，其计算简单、稳定有效，一直广为使用。从模式识别的角度看，最佳阈值应当产生最佳的目标类与背景类的分离性能，但当图像中目标与背景的大小之比很小时方法失效。在实际运用中，往往使用以下简化计算公式：（T）＝WA(μa-μ)2+WB(μb-μ)2其中，为两类间最大方差，WA为A类概率，μa为A类平均灰度，WB为B类概率，μb为B类平均灰度，μ为图像总体平均灰度。即阈值T将图像分成A,B两部分，使得两类总方差（T）取最大值的T，即为最佳分割阈值。