图像分割中阈值法的研究
计算机技术应用 《机电技术》2010年第1期
图像分割中阈值法的研究
周 敬
(中北大学机械工程与自动化学院，山西 太原 030051)
摘 要：图像分割是由图像处理到图像分析的关键步骤，是一种基本的计算机视觉技术。对图像进行分割的方法有很多种，从分割操作策略上讲，可以分为基于区域生成的分割方法，基于边界检测的分割方法和区域生成与边界检测的混合方法。图像分割算法都是基于像素亮度值的相似性和不连续性来计算的，针对阈值图像分割的问题，在相似性的基础上依据实际应用评判标准，将具有相似性的图像区域划分到同一空间中进行迭代计算，并基于Visual C++软件环境进行算法的仿真，该系统能够对图像中的目标部分进行提取，较好的实现了图像分割。
关键词：图像分割 阈值 迭代 Visual C++
中图分类号: TP391.41 文献标识码：A 文章编号：1672-4801（2010）01-039-04
引言
在一幅图像中，人们常常只对其中的部分目标感兴趣，这些目标通常占据一定的区域，并且在某些特性（如灰度、轮廓、颜色和纹理等）上和临近的图像有差别。这些特性差别可能非常明显，也可能很细微，以至肉眼察觉不出来。随着计算机图像处理技术的发展，使得人们可以通过计算机来获取和处理图像信息。现在，图像处理技术已成功应用于很多领域，其中自动军事目标识别和跟踪、汽车牌照识别、指纹识别等已为大家所熟悉。图像识别的基础是图像分割，其作用是把反映物体真实情况的、占据不同区域的、具有不同特性的目标区分开来，并形成数字特征。图像分割是图像识别和图像理解的基本前提步骤，图像分割质量的好坏直接影响后续图像处理的效果，甚至决定其成败，因此，图像分割的作用是至关重要的。
1 图像分割的定义
图像分割是指将一副图像分解为若干互不重叠的、有意义的、具有相同性质的区域。好的图像分割应具备以下特征：
(1)分割出来的各区域对某种特性（如灰度和纹理）而言具有相似性，区域内部是连通的且没有过多小孔；
(2)相邻区域对分割所依据的性质有明显的差异；
(3)区域之间的边界是明确的。
大多数图像分割方法只是部分满足上述特征。如果强调分割区域的同性质约束，则分割区域很容易产生大量小孔和不规整边缘；若强调不同区域间性质差异的显著性，则容易造成不同区域的合并。具体处理时，不同的图像分割方法总是在各种约束条件之间寻找一种合理的平衡。 图像分割的数学形式定义如下：令A表示图像，g表示具有相同性质，图像分割把A分解成n 个区域T i，i=1，2，…，n，满足条件：
1
(1),,,,
(2),1,2,...,,()
(3),,,()
n
i i j
i
i
i j
T A T T i j i j
i j n g T True
i j i j g T T Falase
=
==??≠
?==
?≠=
∪∩
∪
条件(1)表明分割区域要覆盖整个图像且各区域互不重叠，条件(2)表明每一个区域都具有相同的性质，条件(3)表明相邻的两个区域性质相异不能合并为一个区域。
2 阈值分割的算法
一个系统的界限称为阈，其数值称为阈值：图像中的“阈值”命令是将灰度或彩色图像转换为高对比度的黑白图像。例如，可以指定某个色阶作为阈值，所有比阈值亮的像素转换为白色；而所有比阈值暗的像素转换为黑色。“阈值”命令对确定图像的最亮和最暗区域很有用处。阈值分割法是一种基于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)中找到若干个特征值T1，T2，…,T N，其中N≥1.将图像分割为几部分，分割后的图像为：
《机电技术》2010年第1期 计算机技术应用
111
1201
,(,),(,)(,)...
,(,),(,)N N N N N L f x y T L T f x y T g x y L T f x y T
L f x y T ??≥??
≤≤??=??≤≤??≤?如果如果如果如果 一般意义下，阈值运算可以看作是对图像中某点的灰度、该点的某种局部特性以及该点在图像中的位置的一种函数，这种阈值函数可记作：
T(x,y,N(x,y),f(x,y))
式中f(x,y)是点(x,y)的灰度值；N(x,y)是点(x,y)的局部领域特性。
如果只需要选取一个阈值称为单阈值分割，它将图像分为目标和背景两大类；如果用多个阈值分割称为多阈值方法，图像将被分割为多个目标区域和背景，为区分目标，还需要对各个区域进行标记。阈值分割方法基于对灰度图像的一种假设：目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上，不同目标和背景则对应不同的峰。选取的阈值应位于两个峰之间的谷，从而将各个峰分开。
阈值分割的优点是实现简单，对于不同类的物体灰度值或其他特征值相差很大时，他能很有效的对图像进行分割。阈值分割通常作为图像的预处理，然后应用其他一系列分割方法进行后处理。
3 阈值表达式
图像像素的灰度值反映该像素的亮度大小，灰度值的直方图是每个灰度的像素数在图像中总的像素中所占的百分数(频度)、并以图形表示：横坐标是灰度级，纵坐标是该灰度出现的频率。图1所示为256个灰度级的分布频率图。大量统计表明：对于某一类图像（如前景和背景有较强对比）直方图中出现两个峰值：其中一个处于背景的灰度区中，另一个处于前景的灰度区中；而且从理论上讲，当图像的像素数越大时，其灰度
直方图越趋向于两个相交叉的高斯分布曲线（如
图2所示）。
图1 图像灰度分布频率图
12
图2 前景和背景的灰度分布图
这种阈值分割法是基于图像中背景和物体像素的概率分布密度来实现的。这种方法的思想是找到一个阈值，以这个阈值进行划分，计算出目标点误差为背景的概率和背景点误差分为目标点的概率，得出总的误差划分概率。使按这个阈值划分目标和背景的误差分割概率为最小的方法找出划分阈值。
具体的迭代求图像最佳分割阈值的算法，步骤如下：
设图像中感兴趣目标的像素点的灰度作正态
分布，密度为f 1(x)，均值和方差分别为μ1和σ2 1，设背景点的灰度也作正态分布，密度为f 2(x)，均
值和方差为μ2和σ2 2
。换言之，整个密度函数可看作是两个单峰密度函数的混合。如图
2所示。设目标的像点数占图像总点数的百分比为m，背景点占1-m，则混合概率密度为：
2212()()(1)()f x mf x m f x =+?=
+当选定阈值为T 时，目标点误差为背景点的密度为：11()()T
P T f x dx ∞
=
∫
把背景点误差为目标点的概率为：
22()()T
P T P x dx ?∞
=∫
计算机技术应用 《机电技术》2010年第1期
则总的误差概率为： 12()()(1)()P T mP T m P T =+? 令()0P T T ?=?
则有12()(1)()0mP T m P T ?+?= 由此得到
22
21222112()()(1)22m T T Ln m σμμσσσ????=? 当22212σσσ==时 2
12
212
1m
T Ln m
μμσμμ+=
+
?? 4 迭代式阈值算法
阈值法通常使用灰度直方图来分析图像中灰度值的分布，结合特定的应用领域知识来选取最合适的阈值。迭代式阈值法选择方法的基本思想是：开始时选择一个阈值作为初始计算，然后按某种策略不断地改进这一估计，直到满足给定的准则为止。在迭代过程中，关键之处在于选择什么样的阈值改进策略。好的改进策略应该具备两个特征：一是能够快速收敛，二是在每一个迭代过程中，新产生的阈值优于上一次的阈值。
(1)选择图像灰度的中值作为初始阈值T 0。 (2)利用阈值T 把图像分割为两个区域——
前景R 1和背景R 2，
用下式计算区域R 1和R 2的灰度均值ω1和ω2：
1
0121
i
i
i
i
L T i
i
i T i T L i
i
i T i in in n
n
ωω?==?===
=
∑∑∑∑
(3)计算出ω1和ω2后，用下式计算出新的阈值T i+1：
1121
()2
i T ωω+=+
(4)重复（2）-（3）步，直到T i+1和T i 的差小于某个给定值。
5 阈值法图像分割的vc 实现
对于以上算法使用vc 实现，vc 通过图形设备接口和位图提供对数字图像处理编程的最基本支持，程序将原整幅图像分割的子图像，并没有采用每两子图像之间有1/3的重叠，而是直接进行相邻分割，这样计算量较小，运算速度很快。图像分割实现部分的核心代码：
BOOL DivideImage(HDIB hDib,long
row,long column)
{
S ubImgPos* pSubLst = new SubImgPos[row * column + 1];
l ong lHistogram[256]; B YTE iMaxGray=0,iMinGray=0; //TranBitImg(hDib); //分割为子图像
i f(PlotImg(hDib,row,column,pSubLst)<=0)
return 0;
//求每一子图像阈值 f or(int i=0;i GetHistogram(hDib,&pSubLst[i],lHistogr am,&iMaxGray,&iMinGray); //求每一子图像的阈值 GetSinSubThreshold(&pSubLst[i],lHistog ram,iMaxGray,iMinGray); } //对子图像阈值插值 I nsertValve(pSubLst,row,column); //对图像分割 D ivideSubImg(hDib,pSubLst,row,column); d elete [] pSubLst; r eturn TRUE; } 图3 原图 (下转第65页) 《机电技术》2010年第1期 机电研究及设计制造 平均作业率得到提高，实现了产量高、质量好、成本低的技改目标。以2009年6月和改造后的12月为例：6月份生产钢材41899.437吨，成材率97.12%，综合成材率102.72%，平均作业率为76.55%；改造后的12月份生产钢材46337.449吨，成材率97.38%，综合成材率103.21%，平均作业率为86.94%，生产状况较好。按2009年生产螺纹钢材46.5万吨，综合成材率由102.72%提升至103.21%计算，可年增正品螺纹钢227.85吨；正品螺纹钢与次品差价1500元/吨，这样可为企业多创利润341775元；再按提高平均作业率，月增加产量计算，6月与12月的月产量相差4438.012吨，考虑检修及其它停产等因素，1年按11个月计算，即1年可增加产量4438×11=48818吨；按2009年棒材车间利润3650万元（即78.49元/吨）计算，1年可增加利润3831725元。上述二项利润合计，年增创利润可达417.35万元。考虑摊销每月固定的财务费用，从产量增加，成本降低来看，该项技改创造的利润将更大。 3 结束语 技术改造与技术创新是企业生存和发展的灵魂，是推动企业进步的动力。小蕉轧钢厂适时对棒材生产线上的上钢装置和变频辊道进行技术改造，实现了生产上的产量高、质量好、成本低的目标，从而使企业在应对当前国际金融危机中占得优势，实现了企业的良性、可持续发展。 参考文献： [1]周建男.轧钢机[M].北京：冶金工业出版社，2009. [2]杨宗毅.实用轧钢技术手册[M].北京：冶金工业出版社，1995. [3]康永林.轧制工程学[M].北京：冶金工业出版社，2004. 作者简介：谢伙土（1958年－） ，男，高级工程师，研究方向：轧钢机械设备的设计、改造。 (上接第41 页) 图4 阈值分割后的图像 6 结论 实际的图像处理和分析都是面向一种具体 应用的，所以上述条件中的各种关系也要视具体情况而定。目前，还没有一种通用的方法可以很好地兼顾这些约束条件，也没有一种通用的方法可以完成不同的图像分割任务。原因在于实际的图像是千差万别的，还有一个重要原因在于图像数据质量的下降，包括图像在获取和传输过程引入的各种噪声以及光照不均匀等因素。到目前为止，对图像分割的好坏和评价还没有统一的准则。 参考文献： [1]胡学刚，孙慧芬，王顺.一种新的基于图论的图像分割算法[J].四川大学学报（工程科学版），2010，42（1）：138-142. [2]冈萨雷斯. 数字图像处理（第二版）[M].北京：电子工业出版社，2007：460-514. [3]董向元，郭淑青，刘石.基于模糊阈值分割的ECT 图像重建方法[J].传感器与微系统，2008，27（6）：50-52. [4]严国莉,黄山,王新增等. 基于局部动态阈值的矾花图像分割[J]. 计算机应用与软件，2006，23（10）：105-107. [5]章毓晋.图像分割[M].北京：科学出版社，2001. [6]阴国富.基于阈值法的图像分割技术[J].现代电子技术，2007（23）：107-108. [7]Dizenzo S，CinqueL，LeviaidiS.Image Thresholding Using Fuzzy Entropies.IEEE Trans on System，Man，and Cybernetics，B．1998，28(1)：15-23． [8]刘秀兰,马丹,刘兵等.一种新的快速动态阈值图像分割算法[J].北京工业大学学报，2005，25（2）：92-96. 作者简介：周敬(1985年－)，男，在读研究生，从事精密监测技术方面的学习研究。 数字图像处理实验报告 题目：图像的阈值分割及边缘检测技术 班级： 姓名： 学号： 图像的阈值分割及边缘检测技术 一、实验目的 1、了解图像的分割技术，掌握图像的全局阈值分割技术并通过MATLAB实现； 2、了解图像的边缘检测，掌握梯度算子图像边缘检测方法。 二、实验内容 1、基于直方图的全局阈值图像分割方法； 2、Edge命令（roberts,perwitt,sobel,log,canny），实现边缘检测。 三、实验原理 1、全局阈值是最简单的图像分割方法。其中，直方图法的原理如下：想做出图 像的直方图，若其直方图呈双峰且有明显的谷底，则可以讲谷底点所对应的灰度值作为阈值T，然后根据该阈值进行分割，九可以讲目标从图像中分割出来。这种方法是用于目标和背景的灰度差较大且直方图有明显谷底的情况。 2、用于边缘检测的梯度算子主要有Roberts算子、Prewitt算子、Sobel算子。 这三种检测算子中，Roberts算子定位精度较高，但也易丢失部分边缘，抗噪声能力差，适用于低噪声、陡峭边缘的场合。Prewitt算子、Sobel算子首先对图像做平滑处理，因此具有一定的抑制噪声的能力，但不能排除检测结果中的虚假边缘，易出现多像素宽度。 四、实验步骤 1、全局阈值分割： ①读取一张图像； ②生成该图像的直方图； ③根据直方图双峰产生的低谷估计阈值T； ④依次读取图像各个点的像素，若大于阈值，则将像素改为255，若小于 阈值，则将该像素改为0； 实验代码如下： I=imread('cameraman.tif'); %读取一张图像 subplot(221);imshow(I); %显示该图像 subplot(222);imhist(I); %生成该图像的直方图 T=60; %根据直方图估计阈值T为60 [m,n]=size(I); %取图像的大小为【m,n】 for i=1:m %依次读取图像各个点的像素，若大于阈 值，则将像素改为255，若小于阈值， 则将该像素改为0 for j=1:n if I(i,j)>=T I(i,j)=255; else I(i,j)=0; end end 基于MATLAB 的图像阈值分割技术 摘要：本文主要针对图像阈值分割做一个基于MATLAB 的分析。通过双峰法，迭代法以及OUTS 法三种算法来实现图像阈值分割，并且就这三种算法做了一定的分析和比较，在加椒盐的图片上同时进行三种实验，做出比较，最终得出实践结论。 关键词：图像分割 MATLAB 阈值分割 算法 引言：图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提．同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准，图像阈值分割即是其中的一种方法。 阈值分割技术因其实现简单、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，在很多图像处理系统中都是必不可少的一个环节。 1、阈值分割思想和原理 若图像中目标和背景具有不同的灰度集合：目标灰度集合与背景灰度集合，且两个灰度集合可用一个灰度级阈值T 进行分割。这样就可以用阈值分割灰度级的方法在图像中分割出目标区域与背景区域，这种方法称为灰度阈值分割方法。 在物体与背景有较强的对比度的图像中，此种方法应用特别有效。比如说物体内部灰度分布均匀一致，背景在另一个灰度级上也分布均匀，这时利用阈值可以将目标与背景分割得很好。如果目标和背景的差别是某些其他特征而不是灰度特征时，那么先将这些特征差别转化为灰度差别，然后再应用阈值分割方法进行处理，这样使用阈值分割技术也可能是有效的 设图像为f(x,y)，其灰度集范围是[0,L]，在0和L 之间选择一个合适的灰度阈值T ，则图像分割方法可由下式描述： 这样得到的g(x,y)是一幅二值图像。 （一）原理研究 图像阈值分割的方法有很多，在这里就其中三种方法进行研究，双峰法，迭代法，以及OUTS 法。 方法一：双峰法 T y x f T y x f y x g ≥<),(),(10){,( 课程结业论文 课题名称基于阈值的图像分割方法姓名 学号 学院 专业电子信息工程 指导教师副教授 年6月12日 学院课程结业论文诚信声明 本人郑重声明：所呈交的课程结业论文，是本人在指导老师的指导下，独立进行研究工作所取得的成果，成果不存在知识产权争议，除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担 目录 摘要 (1) 关键词 (1) ABSTRACT (2) KEY WORDS (2) 引言 (3) 1基于点的全局阈值选取方法 (4) 1.1最大类间交叉熵法 (5) 1.2迭代法 (6) 2基于区域的全局阈值选取方法 (7) 2.1简单统计法 (8) 2.3 直方图变化法 (9) 3局部阈值法和多阈值法 (10) 3.1水线阈值算法 (11) 3.2变化阈值法 (12) 4仿真实验 结论 (12) 参考文献 (13) 附录 基于阈值的图像分割方法 摘要：图像分割多年来一直受到人们的高度重视，至今这项技术也是趋于成熟，图像分割方法类别也是不胜枚举，近年来每年都有上百篇有关研究报道发表。图像分割是由图像处理进到图像分析的关键环节，是指把图像分成各具特性的区域并提取出有用的目标的技术和过程。在日常生活中，人们对图片的要求也 是有所提高，在对图像的应用中，人们经常仅对图像中的某些部分感兴趣，这 些部分就对应图像中的特定的区域，为了辨识和分析目标部分，就需要将这些 有关部分分离提取出来，因此就要应用到图像分割技术。 关键词：图像分割；阈值；matlab Based onthresholding for image segmentation methods Abstract：Image segmentation is a indispensable part of image processing and analysis, have important practical significance.It is according to the needs of image processing and analysis of the image into each area and extract the characteristic of technology and process of interested target.Image segmentation methods and types have a lot of different categories, some segmentation operation can be directly applied to all images, while others can only apply to special image.The purpose of this paper is to through the collection of image segmentation method based on threshold related information, analysis the advantages and disadvantages of various segmentation algorithm, using the MATLAB tools to threshold segmentation algorithm is studied. Keywords:image segmentation; The threshold value; matlab 分享到 一键分享 QQ空间 新浪微博 百度云收藏 人人网 腾讯微博 百度相册 开心网 腾讯朋友 百度贴吧 豆瓣网 搜狐微博 百度新首页 QQ好友 和讯微博 更多... 百度分享 登录 | 注册 窗体顶端 窗体底端 收藏成功 确定 收藏失败，请重新收藏确定 窗体顶端 标题 标题不能为空 网址 标签 摘要 公开 取消收藏 窗体底端 分享资讯 传PPT/文档 提问题 写博客 传资源 创建项目 创建代码片 设置昵称编辑自我介绍，让更多人了解你帐号设置退出 社区 博客 论坛 下载 Share 极客头条 服务 CODE 英雄会 活动 CSTO 俱乐部 CTO俱乐部 高校俱乐部 奋斗斌斌的专栏 解决项目中的琐碎细节问题b.zhao_npu@https://www.wendangku.net/doc/cb9334213.html, 目录视图 摘要视图 订阅 有奖征资源，博文分享有内涵人气博主的资源共享：老罗的Android之旅微软Azure?英雄会编程大赛题关注CSDN社区微信，福利多多社区问答：叶劲峰游戏引擎架构 灰度图像阈值化分割常见方法总结及VC实现 分类：图像处理OpenCV 2011-11-11 23:20 7427人阅读评论(14) 收藏举报 算法图形byte图像处理扩展 目录(?)[+] Otsu法最大类间方差法 一维交叉熵值法 二维OTSU法 参考文献 在图像处理领域，二值图像运算量小，并且能够体现图像的关键特征，因此被广泛使用。将灰度图像变为二值图像的常用方法是选定阈值，然后将待处理图像的每个像素点进行单点处理，即将其灰度值与所设置的门限进行比对，从而得到二值化的黑白图。这样一种方式因为其直观性以及易于实现，已经在图像分割领域处于中心地位。本文主要对最近一段时间作者所学习的阈值化图像分割算法进行总结，全文描述了作者对每种算法的理解，并基于OpenCV和VC6.0对这些算法进行了实现。最终将源代码公开，希望大家一起进步。（本文的代码暂时没有考虑执行效率问题） 首先给出待分割的图像如下： 1、Otsu法（最大类间方差法） 该算法是日本人Otsu提出的一种动态阈值分割算法。它的主要思想是按照灰度特性将图像划分为背景和目标2部分，划分依据为选取门限值，使得背景和目标之间的方差最大。（背景和目标之间的类间方差越大，说明这两部分的差别越大，当部分目标被错划分为背景或部分背景错划分为目标都会导致这两部分差别变小。因此，使用类间方差最大的分割意味着错分概率最小。）这是该方法的主要思路。其主要的实现原理为如下： 1）建立图像灰度直方图（共有L个灰度级，每个出现概率为p） 2）计算背景和目标的出现概率，计算方法如下： 上式中假设t为所选定的阈值，A代表背景（灰度级为0~N）,根据直方图中的元素可知，Pa为背景出现的概率，同理B为目标，Pb为目标出现的概率。 3）计算A和B两个区域的类间方差如下： 图像分割方法综述 图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点，本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract:Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方 1．课程设计的目的 (1)使学生通过实验体会一些主要的分割算子对图像处理的效果，以及各 种因素对分割效果的影响 (2)使用Matlab软件进行图像的分割 (3)能够进行自行评价各主要算子在无噪声条件下和噪声条件下的分割 性能 (4)能够掌握分割条件（阈值等）的选择 (5)完成规定图像的处理并要求正确评价处理结果，能够从理论上做出合 理的解释 2．课程设计的要求 （1）能对图像文件（bmp,jpg,tiff,gif）进行打开，保存，退出等功能操作 （2）包含功能模块：图像的边缘检测（使用不同梯度算子和拉普拉斯算子）（3）封闭轮廓边界 （4）区域分割算法：阈值分割，区域生长等 3．前言 3.1图像阈值分割技术基本原理 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的讲，就是在一幅图像中，把目标从背景中分离出来，以便于进一步处理。图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提。同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准]5[。 在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部分称为目标或前景(其他部分称为背景)，他们一般对应图像中特定的、具有独特性质的区域。为了辨识和分析目标，需要将他们分离提取出来，在此基础上才有可能对目标进一步利用。图像分割就是指把图像分成格局特性的区域并提取出感兴趣目标的技术和过程。这里特性可以是象素的灰度、颜色、纹理等，预先定义的目标可以对应单个区域，也可以对应多个区域。现有的图像分割算法有：阈值分割、边缘检测和区域提取法。本文着重研究基于阈值法的图像分割技术。 若图像中目标和背景具有不同的灰度集合：目标灰度集合与背景灰度集合，且两个灰度集合可用一个灰度级阈值T进行分割。这样就可以用阈值分割灰度级的方法在图像中分割出目标区域与背景区域，这种方法称为灰度阈值分割方法。 在物体与背景有较强的对比度的图像中，此种方法应用特别有效。比如说物体内部灰度分布均匀一致，背景在另一个灰度级上也分布均匀，这时利用阈值可以将目标与背景分割得很好。如果目标和背景的差别是某些其他特征而不是灰度特征时，那么先将这些特征差别转化为灰度差别，然后再应用阈值分割方法进行处理，这样使用阈值分割技术也可能是有效的 对以CPT算法为主的灰度阈值化方法的研究 目录： 第一章：绪论 第二章：图像的预处理 第三章：图像分割概述 第四章：灰度阈值化图像分割方法 第五章：CPT算法及其对它的改进 第六章：编程环境及用PhotoStar对改进的CPT算法和其他算法的实现 第七章：实验结果与分析 第一章：绪论 1.1数字图像处理技术的发展 人类传递信息的主要媒介是语音和图像。据统计，在人类接受的信息中，听觉信息占20％，视觉占60％，其他如味觉、触觉、嗅觉总的加起来不过占20％。所以，作为传递信息的重要媒体和手段——图像信息是十分重要的。【5】对于图像信息的处理，即图像处理当然对信息的传递产生很大影响。 数字图像处理技术起源于20世纪20年代，当时通过海底电缆从伦敦到纽约传输了一幅图片，它采用了数字压缩技术。1964年美国的喷气处理实验室处理了太空船“徘徊者七号”发回的月球照片，这标志着第三代计算机问世后数字图像处理概念得到应用。其后，数字图像处理技术发展迅速，目前已成为工程学、计算机科学、生物学、医学等领域各学科之间学习和研究的对象。 经过人们几十年的努力，数字图像处理这一学科已逐渐成熟起来。人们总是试图把各个学科应用到数字图像处理中去，并且每产生一种新方法，人们也会尝试它在数字图像处理中的应用。同时，数字图像处理也在很多学科中发挥着它越来越大的作用。 1.2图像分割概述和本论文的主要工作 图像分割的目的是把图像空间分成一些有意义的区域，是数字图像处理中的重要问题，是计算机视觉领域低层次视觉问题中的重要问题，同时它也是一个经典的难题。几十年来，很多图像分割的方法被人们提出来，但至今它尚无一个统一的理论。 图像分割的方法很多，有早先的阈值化方法、最新的基于形态学方法和基于神经网络的方法。 阈值化方法是一种古老的方法，但确是一种十分简单而有效的方法，近几十年人们对阈值化方法不断完善和探索，取得了显著的成就，使得阈值化方法在实际应用中占有很重要的地位。 本文将主要对图像分割的阈值化方法进行探讨。在对阈值化方法的研究过程中，本人首先将集中精力对效果比较好的阈值化方法进行探讨，并对其存在的不足加以改进，从而作出性能优良的计算机算法；由于目前很多方法各有其特点，所以将对具有不同特点的图像用不同的方法处理进行研究。在论文正文部分还将其应用到实践中去，并对其加以评价。 第二章：图像的预处理 2.1图像预处理的概述 由于切片染色和输入光照条件及采集过程电信号的影响，所采集的医学图 图像分割阈值选取技术综述 中科院成都计算所刘平2004-2-26 摘要 图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．阈值法是一种传统地图像分割方法,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地分割技术．已被应用于很多地领域.本文是在阅读大量国内外相关文献地基础上,对阈值分割技术稍做总结,分三个大类综述阈值选取方法,然后对阈值化算法地评估做简要介绍. 关键词 图像分割阈值选取全局阈值局部阈值直方图二值化 1．引言 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交地区域,使得这些特征在同一区域内,表现出一致性或相似性,而在不同区域间表现出明显地不同[37]．简单地讲,就是在一幅图像中,把目标从背景中分离出来,以便于进一步处理.图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．同时它也是一个经典难题,到目前为止既不存在一种通用地图像分割方法,也不存在一种判断是否分割成功地客观标准. 阈值法是一种传统地图像分割方法,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地分割技术．已被应用于很多地领域,例如,在红外技术应用中,红外无损检测中红外热图像地分割,红外成像跟踪系统中目标地分割；在遥感应用中,合成孔径雷达图像中目标地分割等；在医学应用中,血液细胞图像地分割,磁共振图像地分割；在农业项目应用中,水果品质无损检测过程中水果图像与背景地分割.在工业生产中,机器视觉运用于产品质量检测等等.在这些应用中,分割是对图像进一步分析、识别地前提,分割地准确性将直接影响后续任务地有效性,其中阈值地选取是图像阈值分割方法中地关键技术. 2．阈值分割地基本概念 图像阈值化分割是一种最常用,同时也是最简单地图像分割方法,它特别适用于目标和背景占据不同灰度级范围地图像[1].它不仅可以极大地压缩数据量,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地必要地图像预处理过程.图像阈值化地目地是要按照灰度级,对像素集合进行一个划分,得到地每个子集形成一个与现实景物相对应地区域,各个区域内部具有一致地属性,而相邻区域布局有这种一致属性.这样地划分可以通过从灰度级出发选取一个或多个阈值来实现. 阈值分割法是一种基于区域地图像分割技术,其基本原理是：通过设定不同地特征阈值,把图像像素点分为若干类．常用地特征包括：直接来自原始图像地灰度或彩色特征；由原始灰度或彩色值变换得到地特征．设原始图像为f(x,y>,按照一定地准则在f(x,y>中找到特征值T,将图像分割为两个部分,分割后地图像为 若取：b0=0<黑）,b1=1<白）,即为我们通常所说地图像二值化. <原始图像）<阈值分割后地二值化图像） 一般意义下,阈值运算可以看作是对图像中某点地灰度、该点地某种局部特性以及该点在图像中地位置地一种函数,这种阈值函数可记作 T(x,y,N(x,y>,f(x,y>> 式中,f(x,y>是点(x,y>地灰度值；N(x,y>是点(x,y>地局部邻域特性．根据对T地不同约束,可以得到3种不同类型地阈值[37],即 点相关地全局阈值T＝T(f(x,y>> (只与点地灰度值有关> 区域相关地全局阈值T＝T(N(x,y>,f(x,y>> (与点地灰度值和该点地局部邻域特征有关> 局部阈值或动态阈值T＝T(x,y,N(x,y>,f(x,y>> (与点地位置、该点地灰度值和该点邻域特征有关> 图像阈值化这个看似简单地问题,在过去地四十年里受到国内外学者地广泛关注,产生了数以百计地阈值选取方法[2-9],但是遗憾地是,如同其他图像分割算法一样,没有一个现有方法对各种各样地图像都能得到令人满意地结果,甚至也没有一个理论指导我们选择特定方法处理特定图像. 所有这些阈值化方法,根据使用地是图像地局部信息还是整体信息,可以分为上下文无关(non- 阈值分割 1/*===============================图像分割 =====================================*/ 2 /*-------------------------------------------------------------------------- -*/ 3/*手动设置阀值*/ 4 IplImage* binaryImg = cvCreateImage(cvSize(w, h),IPL_DEPTH_8U, 1); 5 cvThreshold(smoothImgGauss,binaryImg,71,255,CV_THRESH_BINARY); 6 cvNamedWindow("cvThreshold", CV_WINDOW_AUTOSIZE ); 7 cvShowImage( "cvThreshold", binaryImg ); 8//cvReleaseImage(&binaryImg); 9 /*---------------------------------------------------------------------------*/ 10/*自适应阀值 //计算像域邻域的平均灰度，来决定二值化的值*/ 11 IplImage* adThresImg = cvCreateImage(cvSize(w, h),IPL_DEPTH_8U, 1); 12double max_value=255; 13int adpative_method=CV_ADAPTIVE_THRESH_GAUSSIAN_C;//CV_ADAPTIVE_THRESH_MEAN_C 14int threshold_type=CV_THRESH_BINARY; 15int block_size=3;//阈值的象素邻域大小 16int offset=5;//窗口尺寸 17 cvAdaptiveThreshold(smoothImgGauss,adThresImg,max_value,adpative_method, threshold_type,block_size,offset); 18 cvNamedWindow("cvAdaptiveThreshold", CV_WINDOW_AUTOSIZE ); 19 cvShowImage( "cvAdaptiveThreshold", adThresImg ); 20 cvReleaseImage(&adThresImg); 21 /*-------------------------------------------------------------------------- -*/ 22/*最大熵阀值分割法*/ 23IplImage* imgMaxEntropy = cvCreateImage(cvGetSize(imgGrey),IPL_DEPTH_8U,1); 24 MaxEntropy(smoothImgGauss,imgMaxEntropy); 25 cvNamedWindow("MaxEntroyThreshold", CV_WINDOW_AUTOSIZE ); 26 cvShowImage( "MaxEntroyThreshold", imgMaxEntropy );//显示图像 27 cvReleaseImage(&imgMaxEntropy ); 28 /*-------------------------------------------------------------------------- -*/ 29/*基本全局阀值法*/ 30 IplImage* imgBasicGlobalThreshold = cvCreateImage(cvGetSize(imgGrey),IPL_DEPTH_8U,1); 31 cvCopyImage(srcImgGrey,imgBasicGlobalThreshold); 本科毕业设计 （2011届） 题目基于阈值的图像分割方法研究与实现 摘要 本毕业设计主要研究基于Hough变换的图像结构提取方法，通过MATLAB语言编程来实现两种典型的图像阈值分割算法（最大类间方差法和迭代法），并对这两种算法进行比较分析。其主要工作步骤如下： 首先介绍数字图像处理和图像分割的基本理论知识。接着对几种图像分割方法进行了介绍。然后了解图像阈值化原理，并在此基础上对两种典型的图像阈值分割算法（最大类间方差法和迭代法）的原理进行了介绍。最后通过MATLAB语言编程实现这两种算法，分别得到这两种算法的分割性能，并对这两种算法的分割性能进行比较。结果表明在大多数情况下，最大类间方差法比迭代法更稳定。 关键词：数字图像处理；阈值化；最大类间方差法；迭代法；直方图 ABSTRACT The main aim of this thesis is to analyze image segmentation method based on thresholding, then implement two typical algorithms (Otsu method and Iterative method) by MATLAB language programming, and compare the two algorithms. Its main work procedure is as follows: First the basic theories of digital image processing and image segmentation are introduced. Then several image segmentation algorithms are introduced. Based on knowing the theory of image thresholding, we introduce the theory of two typical algorithms (Otsu method and Iterative method). Finally through MATLAB language programming, we can get the segmentation performance of the two algorithms respectively, and compare the two algorithm’s segmentation performance. The result shows that Otsu method is more stable than Iterative method in most cases. Key words：digital image processing; thresholding; Otsu method; Iterative method; image histogram. 图像分割技术的研究背景及意义 1概述 2图像分割技术的研究背景及意义 2.1阈值分割方法 2.2基于边缘的分割方法 2.3基于区域的分割方法 2.4 结合特定理论工具的分割方法 1概述 图像的研究和应用中，人们往往对图像中的某些部分感兴趣，这些感兴趣的部分一般对应图像中特定的、具有特殊性质的区域（可以对应单一区域，也可以对应多个区域），称之为目标或前景；而其他部分称为图像的背景。为了辨识和分析目标，需要把目标从一幅图像中孤立出来，这就是图像分割要研究的问题。 2图像分割技术的研究背景及意义 图像分割是图像处理中的一项关键技术，也是一经典难题，发展至今仍没有找到一个通用的方法，也没有制定出判断分割算法好坏的标准，对近几年来出现的图像分割方法作了较为全面的综述，探讨了图像分割技术的发展方向，对从事图像处理研究的科研人员具有一定的启发作用。 图像分割是图像分析的第一步，图像分割接下来的任务，如特征提取、目标识别等的好坏，都取决于图像分割的质量如何。由于该课题的难度和深度，进展比较缓慢。图像分割技术自20世纪70年代起一直受到人们的高度重视，虽然研究人员针对各种问题提出了许多方法，但迄今为止仍然不存在一个普遍适用的理论和方法。另外，还没有制定出选择适用分割算法的标准，这给图像分割技术的应用带来许多实际问题。最近几年又出现了许多新思路、新方法或改进算法，对一些经典方法和新出现的方法作了概述，并将图像分割方法分为阈值分割方法、边缘检测方法、区域提取方法和结合特定理论工具的分割方法4类。 2.1阈值分割方法 阈值分割方法的历史可追溯到近40前，现已提出了大量算法。阈值分割法就是简单的用一个或几个阈值将图像的直方图分成几类，图象中灰度值在同一个灰度类内的像素属于同一个类。它是一种PR法。其过程是决定一个灰度值，用以区分不同的类，这个灰度值就叫阈值。它可以分为全局阈值分割和局部阈值分割。所谓全局阈值分割是利用整幅图像的信息来得到分割用的阈值，并根据该阈值对整幅图像进行分割；而局部阈值分割是根据图像中的不同区域获得对应的不同区域的阈值，利用这些阈值对各个区域进行分割，即一个阈值对应一个相应的子区域，这种方法也叫称为适应阈值分割。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误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松驰法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。 目前提出了许多新方法，如严学强等人提出了基于量化直方图的最大熵阈值处理算法，将直方图量化后采用最大熵阈值处理算法，使计算量大大减小。薛景浩、章毓晋等人提出基于最大类间后验交叉熵的阈值化分割算法，从目标和背景的类间差异性出发，利用贝叶斯公式估计象素属于目标和背景两类区域的后验概率，再搜索这两类区域后验概率之间的最大交叉熵。这种方法结合了基于最小交叉熵以及基于传统香农熵的阈值化算法的特点和分割性能，取得很好的通用性和有效性，该算法也容易实现二维推广，即采用二维统计量（如散射图或共生矩阵）取代直方图，以提高分割的准确性。俞勇等人提出的基于最小能量的图像分割方法，运用了能量直方图来选取分割阈值。任明武等人提出的一种基于边缘模式的直方图构造新方法，使分割阈值受噪声和边缘的影响减少到最小。程杰提出的一种基于直方图的分割方法，该方法对Ostu准则的内在缺陷进行了改进，并运用对直方图的预处理及轮廓追踪，找出了最佳分割阈值。此方法对红外图像有很强的针对性，付忠良提出的基于图像差距度量的阈值选取方法，多次导出Ostu方法，得到了几种与Ostu类似的简单计算公式，使该方法特别适合需自动产生阈值的实时图像分析系统。陈向东、常文森等人提出了基于小波变换的图像分数维计算方法，利用小波变换计算图像的分数维准确性高的特性。结果表明计算出的图像分数维准确，而且通过应用快速小波变换可以满足实时计算的要求，为实时场景分析提供有效的方法。建立在积分几何和随机集论基础之上的数学形态学以其一整套变换、概念和算法为数学工具，提供了并行的、具有鲁棒性的图像分割技述。它不仅能得到图像中各种几何参数的间接测量，反映图像的体视特性，而 clc; clear; I=imread('d:\1.jpg'); subplot(221);imshow(I);title('原图像'); I1=rgb2gray(I); %双峰法 newI=im2bw(I1,150/255); subplot(222),imshow(newI);title('双峰法阈值分割后的图像'); %迭代法阈值分割 ZMax=max(max(I)); ZMin=min(min(I)); TK=(ZMax+ZMin)/2; bCal=1; iSize=size(I); while(bCal) iForeground=0; iBackground=0; ForegroundSum=0; BackgroundSum=0; for i=1:iSize(1) for j=1:iSize(2) tmp=I(i,j); if(tmp>=TK) iForeground=iForeground+1; ForegroundSum=ForegroundSum+double(tmp); else iBackground=iBackground+1; BackgroundSum=BackgroundSum+double(tmp); end end end ZO=ForegroundSum/iForeground; ZB=BackgroundSum/iBackground; TKTmp=uint8((ZO+ZB)/2); if(TKTmp==TK) bCal=0; else TK=TKTmp; end end disp(strcat('迭代后的阈值：',num2str(TK))); newI=im2bw(I,double(TK)/255); 《数字图像处理》实验 9.编写程序，实现阈值分割算法． %9.编写程序，实现阈值分割算法． %这段代码的想法是通过相邻两个像素的平均值的比较来确定阈值的选取。 %通过f(i-1,j-1),f(i,j),f(x,+1,j+1)这三个两两相邻的像素的平均值来比较。 %若两个平均值的差值小于某一个指定的值，这取这个平均值作为新的阈值。 %这样可以把图像中像素比较平缓的部分和像素差别比较大的部分分割开来。 clear; f = imread('text.jpg'); f=rgb2gray(f); f = im2double(f); g=f; [m,n] = size(f); x=0.1;%x作为判断的值，两个平均值的差不小于x; d = false; while~d fori=2:m-1%为确保f(i,j)的取值在原图的范围内需要保证的范围。 forj=2:n-1 t = (f(i-1,j-1)+f(i,j))/2;%求三个两两相邻的像素点的像素的平均值t1 = (f(i,j)+f(i+1,j+1))/2; d = abs(t1-t) 九江学院学士学位论文 摘要 图像阈值分割算法分析与实现是图像处理领域的一个基本的、重要的研究课题。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。 图像阈值分割法是一种最常用，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。图像阈值化的目的是要按照灰度级对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域布局有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。本文首先介绍了图像分割发展现状，其次对图像分割的基础做了简单的介绍，最后重点对双峰法阈值分割、分水岭阈值分割、0tsu阈值分割作了详细分析与研究，并且把这三种算法的分割效果进行了简单的比较，结果发现各阈值分割方法都有各自的优劣性，需要根据图像的实际情况选择适合的方法。分割结果的好坏或者正确与否，目前还没有一个统一的评价判断准则，分割的好坏必须从分割的效果和实际应用场景来判断。 关键词：直方图；图像分割；阈值；算法 图像阈值分割算法分析与研究 The analysis and implementation of image threshold Segmentation algorithm Abstract The analysis and implementation of image threshold segmentation algorithm is a basic and important research topic. The so-called image threshold segmentation is mean to divide the grayscale, color, space, texture, geometry and other features into several disjoint areas, so that these characteristics in the same area, showing the consistency or similarity, while showing different in different regions . The segmentation of image threshold method is one of the most commonly and simple image segmentation method, it is especially suitable for the target and background occupy different gray-scale range of the image. It not only can greatly compress the amount of data, but also greatly simplifies the analysis and processing steps. In many cases, image analysis, feature extraction and pattern recognition are till the necessary image pre-processing process. The purpose of image threshold is to divide each subset of the formation of a region corresponding into the realistic scenery according to the gray level pixel, each region consistent with the properties of adjacent regional distribution of this a consistent attribute. This division can select one or more threshold starting from the gray level. This paper first introduces the development status of image segmentation, followed by a brief introduction on the basis of image segmentation, and finally focus on the apex method threshold segmentation, watershed threshold segmentation and 0tsu threshold segmentation are analyzed and researched in detail, and made a simple comparison with the segmentation results of the three algorithms and found that each threshold segmentation method has its own advantages and disadvantages, you need to select the appropriate method according to the actual situation of the image. There are no single evaluation criterion about Segmentation result is good or bad, right or wrong, , the segmentation good or bad are based on the segmentation results and determine on the actual scenarios . Keywords: histogram; image segmentation; threshold; algorithm图像的阈值分割及边缘检测技术
基于MATLAB的图像阈值分割技术
基于阈值的图像分割方法--论文
灰度阈值分割算法
图像分割方法综述
数字图像灰度阈值的图像分割技术matlab
基于阈值的灰度图像分割
图像分割阈值选取技术综述
几种常见的阈值分割算法核心代码
基于阈值的图像分割方法研究与实现
图像分割技术的研究背景及意义
阈值分割算法
数字图像处理实验_阈值分割算法
图像阈值分割算法分析与实现