目录摘要 (III)Abstract (IV)第一章绪论 (1)1.1 图像与数字图像 (1)1.2 数字图像处理技术内容与发展现状 (2)1.3 灰度图像二值化原理及意义 (4)第二章软件工具——MATLAB (6)2.1 MATLAB概述 (6)2.2 MATLAB的工作环境 (6)2.3 MATLAB图像处理工具箱 (8)2.4 工具箱实现的常用功能 (9)第三章图像二值化方法 (11)3.1 课题研究对象 (11)3.2 二值化方法研究动态 (13)3.3 全局阈值法 (18)3.4 局部阈值法 (18)第四章 Otsu方法和Bernsen方法 (20)4.1 Otsu算法分析 (20)4.2 Otsu方法流程图 (22)4.3 Bernsen算法分析 (23)4.4 Bernsen方法流程图 (23)第五章 Otsu方法和Bernsen方法实验比较 (25)5.1 Otsu方法实验结果分析 (25)5.2 Bernsen方法结果分析 (27)5.3 0tsu方法和Bernsen方法实验结果比较 (28)5.4 结论 (29)结束语 (31)参考文献 (32)致谢 (33)附录：源代码 (34)摘要在人类获取的信息中，视觉信息约占60%，听觉约占20%，其它约占20%。
由此可见，视觉信息对人类非常重要。
同时，图像是人类获取视觉信息的主要途径。
图像二值化是图像预处理中的一项重要技术，在模式识别、光学字符识别、医学成像等方面都有重要应用。
论文介绍了图像及数字图像处理技术的一些概念和相关知识；对Matlab7.0 软件的发展和软件在图像处理中的应用做了简要介绍；还介绍了灰度图像二值化方法以及利用Matlab7.0软件工具进行算法的实现。
课题重点实现了图像分割技术中灰度图像二值化方法，如Otsu算法、Bernsen算法，并对这些算法运行的实验结果进行分析与比较。
关键词：图像处理，二值化，Matlab，Otsu算法，Bernsen算法AbstractHuman beings obtain a lot of information, among which the visual information is about 60%, the sense of hearing about 20%, and others about 20%. Therefore, the visual information is very important for human beings. Moreover, the images are the primary way, by which a lot of information is obtained. Image binarization, as an important technology in image pre-processing, is widely-employed in pattern recognition, optical character recognition, medical imaging and so forth. In this paper, some notions and relative knowledge in digital image processing technology are introduced; then, the development of Matlab7.0 and its application in image processing briefly introduced; in addition, the method of grayscale image binarization and how to implement these algorithms based on Matlab7.0 are presented. This paper mainly implements the grayscale image binarization method in image segmentation technology, such as Otsu algorithm and Bernsen algorithm, and analyzes and compares the experimental results of the above algorithms.Keywords: Image processing, Binarization, Matlab, Otsu algorithm, Bernsen algorithm第一章绪论1.1 图像与数字图像图像就是用各种观测系统观测客观世界获得的且可以直接或间接作用与人眼而产生视觉的实体。
视觉是人类从大自然中获取信息的最主要的手段。
拒统计，在人类获取的信息中，视觉信息约占60%，听觉信息约占20%，其他方式加起来才约占20%。
由此可见，视觉信息对人类非常重要。
同时，图像又是人类获取视觉信息的主要途径，是人类能体验的最重要、最丰富、信息量最大的信息源。
通常，客观事物在空间上都是三维的(3D)的，但是从客观景物获得的图像却是属于二维(2D)平面的。
图像存在方式多种多样，可以是可视的或者非可视的，抽象的或者实际的，适于计算机处理的和不适于计算机处理的。
但就其本质来说，可以将图像分为以下两大类。
模拟图像。
包括光学图像、照相图像、电视图像等。
比如人在显微镜下看到的图像就是一幅光学模拟图像。
对模拟图像的处理速度快，但精度和灵活性差，不易查找和判断。
数字图像。
数字图像是将连续的模拟图像经过离散化处理后得到的计算机能够辨识的点阵图像。
在严格意义上讲，数字图像是经过等距离矩形网格采样，对幅度进行等间隔量化的二维函数。
因此，数字图像实际上就是被量化的二维采样数组。
一幅数字图像都是由若干个数据点组成的，每个数据点称为像素(pixel)。
比如一幅256×400，就是指该图像是由水平方向上256列像素和垂直方向上400行像素组成的矩形图。
每一个像素具有自己的属性，如颜色(color)、灰度(gray scale)等，颜色和灰度是决定一幅图像表现里的关键因素。
其中颜色量化等级包括单色、四色、16色、256色、24位真彩色等，量化等级越高，则量化误差越小，图像的颜色表现力越强。
同样，灰度是单色图像中像素亮度的表征，量化等级越高，表现力越强。
但是随着量化等级的增加，数据量将大大增加，使得图像处理的计算量和复杂度相应的增加。
与模拟图像相比，数字图像具有以下显著优点：(1)精度高。
目前的计算机技术可以将一幅模拟图像数字化为任意的二维数组，即数字图像可以由无限个像素组成，每个像素的亮度可以量化为12位(即4096个灰度级)，这样的精度是数字图像处理与彩色照片的效果相差无几。
(2)处理方便。
数字图像在本质上是一组数据，所以可以用计算机对他进行任意方式的修改，如放大、缩小、改变颜色、复制和删除某一部分等。
(3)重复性好。
模拟图像，如照片，即便是使用非常好的底片和相纸，也会随着时间的流逝而褪色、发黄，而数字图像可以存储在光盘中，上百年后再用计算机重现也不会有丝毫的改变。
1.2 数字图像处理技术内容与发展现状数字图像处理就是采用一定的算法对数字图像进行处理，以获得人眼视觉或者某种接受系统所需要的图像处理过程。
图像处理的基础是数字，主要任务是进行各种算法设计和算法实现。
目前，图像处理技术已经在许多不同的应用领域中得到重视，并取得了巨大成就。
根据应用领域要求的不同，数字图像处理技术可以分为许多分支技术。
重要的分支技术有：(1)图像变换。
图像阵列很大时，若直接在空域中处理，计算量将很大。
为此，通常采用各种图像变换方法，如傅立叶变换、沃尔什变换、离散余弦变换、小波变换等间接处理技术，将空域处理转换到变换域处理，这样可以有效地减少计算量，提高处理性能。
(2)图像增强与复原。
主要目的是增强图像中的有用信心，削弱干扰和噪声，使图像更加清晰，或者将其转换为更适合人或机器分析的形式。
图像增强并不是要求真实地反映原始图像，而图像复原则要求尽量消除或减少获取图像过程中所产生的某些退化，使图像能够反映原始图像的真实面貌。
(3)图像压缩编码。
在满足一定保真度条件下，对图像信息进行编码，可以压缩图像信息量，简化图像的边式，从而大大压缩图像描述的数据量，以便存储和传输；图像压缩在不同应用背景下可以采用不失真压缩和失真压缩。
(4)图像分割。
图像分割是数字图像处理中的关键技术之一，是为了将图像中有意义的特征提取出来。
它是进一步进行图像识别、分析和理解的基础。
图像的有意义特征包括图像的边缘、区域等。
(5)图像分析。
对图像中的不同对象进行分割、分类、识别、描述和解释。
(6)图像识别。
图像识别属于模式识别的范畴，起主要内容是在图像经过某些预处理（增强、复原、压缩）后，进行图像分割和提取，从而进行判别分类。
图像分类常用的经典识别方法有统计模式分类和句法模式分类。
近年来，新发展起来的模糊模式识别和人工神经网络模式分类在图像识别中越来越受到重视。
(7)图像隐藏。
是指媒体信息的相互隐藏，常见的有数字水印和图像的信息伪装等。
以上图像处理内容也并非孤立存在的，往往相互联系，而一个实用的图像处理系统通常需要将几种图像处理技术结合起来，才能得到所需要的结果。
例如，图像变换是图像编码技术的基础，而图像增强与复原一般又是图像处理的最终目的，也可以作为进一步图像处理工作的准备；通过图像分割得到的图像特征既可以作为最后结果，也可以作为下一步图像分析的基础。
不同的图像处理技术应用与不同的领域，发展出不同的分支学科，如遥感图像处理、医学图像处理等，其他如计算机图形学、模式识别、人工智能和机器人视觉等学科领域也与图像处理有着密切的关系。
图像处理技术的发展大致经历了初创期、发展期、普及期和实用化期4个阶段。
初创期开始与20世纪60年代，当时的图像采用像素型光栅进行少秒显示，大多采用中、大型机对其处理。
在这一时期，由于图像存储成本高、处理设备昂贵，其应用面很窄。
进入20世纪70年代的发展期，开始大量采用中、小型机进行处理，图像处理也逐渐改用光栅扫描方式，特别是CT和卫星遥感图像的出现，对图像处理技术的发展起到了很好的推动作用。
到了20世纪80年代，图像处理技术进入普及期，此时的微机已经能够担当起图形图像处理的任务。
超大规模集成电路（Very Large Scale Integration, VLSI）的出现更使处理速度大大提高，设备造价也进一步降低，极大地促进了图形图像系统的普及和应用。
20世纪90年代是图像处理技术的实用化时期，图像处理的信息量巨大，对处理速度的要求极高。