1、以下这些语句存在若干问题，包括语法错误、标点使用不当、语句不通畅及信息不完整——“.....简单高效，但是对于先验概率难于估计的图像却无能为 力。 例如，根据先验知识，知道图像目标与背景象素的比例为,则 可根据此条件直接在图像直方图上找到合适的阈值，使得 的象素为目标的象素为背景。 迭代方法选取阈值 初始阈值选取为图像的平均灰度，然后用将图像的象素点分作 两部分，计算两部分各自的平均灰度，小于的部分为，大于 的部分为 计算,将作为新的全局阈值代替，重复以上过程，如此迭代， 直至收敛，即 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。直 方图凹面分析法 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......”。

2、以下这些语句存在多处问题，具体涉及到语法误用、标点符号运用不当、句子表达不流畅以及信息表述不全面——“..... 阈值分割的基本概念 图像阈值化分割是种最常用，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 个划分，得到的每个子集形成个与现实景物相对应的区域，各个 区域内部具有致的属性，而相邻区域布局有这种致属性。这样的 划分可以通过从灰度级出发选取个或多个阈值来实现。 阈值分割法是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按照定的准则在，中找到特 征值，将图像分割为两个部分，分割后的图像为 若取黑,白，即为我们通常所说的图像二值 化。 原始图像阈值分割后的二值化图像般意义下......”。

3、以下这些语句在语言表达上出现了多方面的问题，包括语法错误、标点符号使用不规范、句子结构不够流畅，以及内容阐述不够详尽和全面——“.....有个共同的弊病，那就是 它们实际上只考虑了直方图提供的灰度级信息，而忽略了图像的空间 位置细节，其结果就是它们对于最佳阈值并不是反映在直方图的谷点 的情况会束手无策，不幸我们通常遇到的很多图像恰恰是这种情况。 另方面，完全不同的两幅图片却可以有相同的直方图，所以即使对 于峰谷明显的情况，这些方法也不能保证你得到合理的阈值。于是， 人们又提出了很多基于空间信息的阈值化方法。 可以说，局域区域的全局阈值选取方法，是基于点的方法，再加上考 虑点领域内象素相关性质组合而成，所以些方法常称为二维 方法。由于考虑了象素领域的相关性质，因此对噪声有定抑止作 用。 二维熵阈值分割方法 使用灰度级局域平均灰度级形成的二维灰度直方图进行阈值选 取，这样就得到二维熵阈值化方法。 二维灰度直方图灰度领域平均灰度 如图，在区和区，象素的灰度值与领域平均灰度值接近，说明 致性和相关性较强，应该大致属于目标或背景区域区和区致 性和相关性较弱，可以理解为噪声或边界部分......”。

4、以下这些语句该文档存在较明显的语言表达瑕疵，包括语法错误、标点符号使用不规范，句子结构不够顺畅，以及信息传达不充分，需要综合性的修订与完善——“..... 如使用递推方法以降低算法复杂性。 例如在文献中，提出种使目标和背景差距最大的阈值求取方 法，类似于最大类间方差阈值法。是它的种简化算法。 又如年等人提出了均匀化误差阈值选取方法，这种方 法实质上是要使将背景点误分为目标点的概率等于将目标点误分为 背景点的概率。类似于最小误差阈值法。 近年来有些新的研究手段被引入到阈值选取中。比如人工智能，在 文献中，描述了如何用人工智能的方法，寻找直方图的谷底点， 作为全局阈值分割。其它如神经网络，数学形态学，小波分 析与变换等等。 总的来说，基于点的全局阈值算法，与其它几大类方法相比，算法时 间复杂度较低，易于实现，适合应用于在线实时图像处理系统。由于 我的研究方向为机器视觉，所作的项目要求算法具有良好的实时性， 因此针对基于点的全局阈值方法，阅读了较多的文献，在综述里叙述 也相对比较详细。基于区域的全局阈值选取方法 对幅图像而言，不同的区域，比如说目标区域或背景区域，同区 域内的象素，在位置和灰度级上同时具有较强的致性和相关性......”。

5、以下这些语句存在多种问题，包括语法错误、不规范的标点符号使用、句子结构不够清晰流畅，以及信息传达不够完整详尽——“.....就 是选择,对，使得目标类和背景类的后验熵最大。具体方法 是维熵阈值分割的推广，可参见上节 ，和结合和的方法，分别提出了各自的 二维熵阈值化方法，其准则函数都是使目标熵和背景熵之和最大化。 的方法则是使这两者中的较小者最大化，该方法的计算复杂 度为，后来有人改进为递推快速算法将时间复杂度降为其中为最 大灰度级数。简单统计法 等人,提出种基于简单的图像统计的阈值选取方法。 使用这种方法，阈值可以直接计算得到，从而避免了分析灰度直方图， 也不涉及准则函数的优化。该方法的计算公式为 其中， 因为,表征了点,领域的性质，因此本方法也属于基于区域 的全局阈值法。直方图变化法 从理论上说，直方图的谷底是非常理想的分割阈值，然后在实际应用 中，图像常常受到噪声等的影响而使其直方图上原本分离的峰之间的 谷底被填充，或者目标和背景的峰相距很近或者大小差不多，要检测 他们的谷底就很难了。 在上节基于点的全局阈值方法中，我们知道直方图凹面分析法的弊 病是容易受到噪声干扰......”。

6、以下这些语句存在多方面的问题亟需改进，具体而言：标点符号运用不当，句子结构条理性不足导致流畅度欠佳，存在语法误用情况，且在内容表述上缺乏完整性。——“.....使得这些特征在同区域内， 表现出致性或相似性，而在不同区域间表现出明显的不同简单 的讲，就是在幅图像中，把目标从背景中分离出来，以便于进步 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，它是对图像进行视觉分析和模式识别的基本前 提同时它也是个经典难题，到目前为止既不存在种通用的图像 分割方法，也不存在种判断是否分割成功的客观标准。 阈值法是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......”。

7、以下这些语句存在标点错误、句法不清、语法失误和内容缺失等问题，需改进——“.....表现出不同的分割效果。 往往容易得到假的谷底。这是由于原始的直方图是离散的，而且含噪 声，没有考虑利用象素领域性质。 而直方图变化法，就是利用些象素领域的局部性质变换原始的直方 图为个新的直方图。这个新的直方图与原始直方图相比，或者峰之 间的谷底更深，或者谷转变成峰从而更易于检测。这里的象素领域局 部性质，在很多方法中经常用的是象素的梯度值。 图像分割阈值选取技术综述 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 和重要的领域之，它是对图像进行视觉分析和模式识别的基本前 提阈值法是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。本文是在阅读大量国内外相关文献的基础上，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 化算法的评估做简要介绍......”。

8、以下文段存在较多缺陷，具体而言：语法误用情况较多，标点符号使用不规范，影响文本断句理解；句子结构与表达缺乏流畅性，阅读体验受影响——“.....由集差确定的凹面。若和分别表示与在灰度级之处的高 度，则取局部极大值时所对应的灰度级可以作为阈值。也有人使用 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。 但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。但此方法对些只有单峰直方图 的图像，也可以作出分割。如 最大类间方差法 由于年提出的最大类间方差法以其计算简单稳定有 效，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 目标类与北京类内学者 发表的种模糊阈值方法 隶属度表示灰度具有明亮特性的程度，为隶属函数窗宽， 对应隶属度为的灰度级。设灰度级的模糊率为 , 则得到整幅图像的模糊率 其中，为图像尺寸，为图像总灰度级，图像中灰度为的象素 个数。 对应于不同的值，就可以计算出相应的图像模糊率，选取使得最 小的值，作为图像分割的最佳阈值即可。小结 对于基于点的全局阈值选取方法，除上述主要几种之外还许多，但大 多都是以上述基本方法为基础......”。

9、以下这些语句存在多方面瑕疵，具体表现在：语法结构错误频现，标点符号运用失当，句子表达欠流畅，以及信息阐述不够周全，影响了整体的可读性和准确性——“.....与点的位置 该点的灰度值和该点邻域特征有关 图像阈值化这个看似简单的问题，在过去的四十年里受到国内外 学者的广泛关注，产生了数以百计的阈值选取方法，但是遗憾的 是，如同其他图像分割算法样，没有个现有方法对各种各样的图 像都能得到令人满意的结果，甚至也没有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，根据使用的是图像的局部信息还是整体信 息，可以分为上下文无关方法也叫做基于点 的方法和上下文相关方法也叫做基于区 域的方法根据对全图使用统阈值还是对不同区 域使用不同阈值，可以分为全局阈值方法和局部 阈值方法，也叫做自适应阈值方法 另外，还可以分为双阈值方法和多 阈值方法 本文分三大类对阈值选取技术进行综述 基于点的全局阈值方法 基于区域的全局阈值方法 局部阈值方法和多阈值方法 基于点的全局阈值选取方法 分位数法 年提出的分位数法也称法可以说是最古老的 种阈值选取方法......”。