图像分割阀值选取方法
图像分割就是把图像中具有特殊涵义的不同区域区分开来, 这些区域是互不相交的, 每 一个区域都满足特定区域的一致性。图像分割是图像处理中的重要问题,也是计算机视觉研 究中的一个经典难题。计算机视觉中的图像理解包括目标检测、特征提取和目标识别等,都 依赖于图像分割的质量。尽管研究人员提出了许多分割方法,但是到目前为止还不存在一种 通用的方法,也不存在一个判断分割是否成功的客观标准,因此被认为是计算机视觉中的一个 瓶颈。 阈值法是一种简单有效的图像分割方法,它用一个或几个阈值将图像的灰度级分为几个 部分,认为属于同一个部分的像素是同一个物体。 阈值法的最大特点是计算简单, 在重视运算 效率的应用场合(如用于硬件实现) ,它得到了广泛的应用。阈值法分为全局阈值法和局部阈 值法两种。全局阈值法指利用全局信息( 例如整幅图像的灰度直方图) 对整幅图像求出最优 分割阈值,可以是单阈值, 也可以是多阈值; 局部阈值法是把原始的整幅图像分为几个小的 子图像,再对每个子图像应用全局阈值法分别求出最优分割阈值。其中全局阈值法又可分为 基于点的阈值法和基于区域的阈值法。阈值分割法的结果很大程度上依赖于对阈值的选择, 因此该方法的关键是如何选择合适的阈值。 由于局部阈值法中仍要用到全局阈值法, 因此本 文主要对全局阈值法中基于点的阈值法和基于区域的阈值法分别进行了研究。
第1页
标准差和先验概率分别为 0 , 1 , 0 , 1 ,P0 ,P1 . 其中
t
（ 0 t）=Байду номын сангаас ipi / P 0 (t )
i 0 l 1
（ 1 t）= ipi / P 1 (t )
i t 1 t i 0 t i 0
0 (t ) { [i 0 (t )]2 pi / pi }1/2
l 1 l 1 i t 1
1 (t ) { [i 1 (t )]2 pi /
i t 1
p}
i
1/ 2
不失一般性可认为目标和背景的灰度分布分得足够开时，应满足
1 0 ( 0 1 ) （5）
式中参数 需根据目标和背景的灰度分布特性确定一般可 2~3 之间取值。 若由某一阈值分割出的两部分其灰度分布的均值和标准差满足这一条件则认为该阈值可将 目标和背景完全分开。相反，若由某一阈值分割出的两部分其均值和标准差不能使式（5） 成立则需对分割出的目标区域进行进一步分割。 随着待分割区域的缩小目标信息所占的比例 增大最终可获得正确的分割结果。
第2页
局部阀值法
在局部阈值法中, 原始图像被分为几个小的子图像, 再对每个子图像分别求出最优分割 阈值。用这种方法分割后的图像在不同子图像的边界处有灰度的不连续分布,因此必须采用 平滑技术来消除灰度的不连续性。
一种自适应阀值选取方法
对小目标图像来说， 由于目标在图像中所占的比例较小， 目标的灰度信息对整幅图像的 贡献很小， 因此利用整幅图像的灰度直方图得到的最佳阈值不能将目标和背景分开。 为了获 得正确的分割阈值， 必须提高目标灰度信息在待分割直方图中所占的比例。 最简单的方法是 将图像划分为均等的子块。在各子图中用最大类间方差法进行分割。 这种方法的缺点是： (1) 当目标被分在不同的子块时分割结果的块状效应很大； (2) 当子块中几乎完全属于背景或目标时违反了准则使用的前提条件很难得到满意的分割 结果。 为此提出一种根据分割出的目标和背景灰度统计量为判断准则，对图像的灰度统计直方 图进行多次分割，以获得最佳阈值的计算模型。 算法原理 假设在图像中目标灰度比背景灰度高， 对原始图像用最大类间方差法进行分割， 得到目 标区域和背景区域， 原始图像灰度直方图中高于阈值的部分可看作是目标区域的灰度统计直 方图。 对于只有目标和背景组成的图像， 其灰度直方图可视为组合背景和目标像素灰度混合分 布的概率密度函数，且通常假定混合分布的两个分量 p(i|0)和 p(i|1)都是正态分布，其均值、