TOP18【毕业设计】图像分割阈值选取技术综述.doc文档免费在线阅读

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，做出的改进方法或者对算法的优化，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简单的函数形式。

例如国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，则得到和模糊熵，使这三个量取最小值时的交叉点即为最佳阈值。

文献指出模糊隶属度函数在该算法中的作用仅在于将图像由灰度数据空间转换为模糊空间，其函数的形式对增强结果几乎没有影响。

这就使我们有理由使用些形式等首先，他们把幅具有个灰度级的图像看作个模糊集，其中隶属函数定义如下参数称之为交叉点即。

由此从图像的空间平面得到模糊特性平面。

然后，基于此模糊集定义了图像的线性模糊度二次模糊度的隶属度函数定义模糊集，隶属度为的灰度级对应了阈值，当然在上述隶属度函数的表达式中阈值是个未知的参数然后在此模糊集上定义种准则函数例如整个图像的总体模糊度，通过优化准则函数来确定最佳阈值。

此可以得到组矩量保持方程，求解该方程组就可以得到最佳阈值。

模糊集方法模糊集理论较好的描述了人类视觉中的模糊性和随机性，因此在图像阈值化领域受到了广泛的关注。

模糊集阈值化方法的基本思想是，选择种状直方图中估计这些参数，但是算法相当复杂，不易实现。

矩量保持法矩量保持法，即矩守恒阈值法，是年提出的，其基本思想是最佳的阈值应该使分割前后图像的矩量保持不变，由方图被视为目标与背景混合集概率密度函数的估计其中，为先验概率求解下列方程可得到最小误差阈值遗憾的是上式中，和通常是未知的，和提倡用拟合方法从景类的概率，是背景类错分到目标类的概率总的误差概率使取最小值，即为最优分类方法。

在和于年提出的最小误差法中，直等人的方法假定目标和背景服从两个不同的概率分布和定义使得熵达到最大求得最佳阈值。

此方法又称为熵方法。

最小误差阈值此方法来源于最小误差分类方法。

是目标类错分到背念应用于图像阈值化，其基本思想都是利用图像的灰度分布密度函数定义图像的信息熵，根据假设的不同或视角的不同提出不同的熵准则，最后通过优化该准则得到阈值。

通过使后验熵的上限最大来确定阈值。

度，为类概率，为类平均灰度，为图像总体平均灰度。

即阈值将图像分成，两部分，使得两类总方差取最大值的，即为最佳分割阈值。

熵方法八十年代以来，许多学者将信息熵的概的实验揭示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其中，为两类间最大方差，为类概率，为类平均灰用类别方差来表征，为此引入类内方差类间方差和总体方差，并定义三个等效的准则测量鉴于计算量的考量，人们般通过优化第三个准则获取阈值。

此方法也有其缺陷，和用类别方差来表征，为此引入类内方差类间方差和总体方差，并定义三个等效的准则测量鉴于计算量的考量，人们般通过优化第三个准则获取阈值。

此方法也有其缺陷，和的实验揭示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其中，为两类间最大方差，为类概率，为类平均灰度，为类概率，为类平均灰度，为图像总体平均灰度。

即阈值将图像分成，两部分，使得两类总方差取最大值的，即为最佳分割阈值。

熵方法八十年代以来，许多学者将信息熵的概念应用于图像阈值化，其基本思想都是利用图像的灰度分布密度函数定义图像的信息熵，根据假设的不同或视角的不同提出不同的熵准则，最后通过优化该准则得到阈值。

通过使后验熵的上限最大来确定阈值。

等人的方法假定目标和背景服从两个不同的概率分布和定义使得熵达到最大求得最佳阈值。

此方法又称为熵方法。

最小误差阈值此方法来源于最小误差分类方法。

是目标类错分到背景类的概率，是背景类错分到目标类的概率总的误差概率使取最小值，即为最优分类方法。

在和于年提出的最小误差法中，直方图被视为目标与背景混合集概率密度函数的估计其中，为先验概率求解下列方程可得到最小误差阈值遗憾的是上式中，和通常是未知的，和提倡用拟合方法从直方图中估计这些参数，但是算法相当复杂，不易实现。

矩量保持法矩量保持法，即矩守恒阈值法，是年提出的，其基本思想是最佳的阈值应该使分割前后图像的矩量保持不变，由此可以得到组矩量保持方程，求解该方程组就可以得到最佳阈值。

模糊集方法模糊集理论较好的描述了人类视觉中的模糊性和随机性，因此在图像阈值化领域受到了广泛的关注。

模糊集阈值化方法的基本思想是，选择种状的隶属度函数定义模糊集，隶属度为的灰度级对应了阈值，当然在上述隶属度函数的表达式中阈值是个未知的参数然后在此模糊集上定义种准则函数例如整个图像的总体模糊度，通过优化准则函数来确定最佳阈值。

等首先，他们把幅具有个灰度级的图像看作个模糊集，其中隶属函数定义如下参数称之为交叉点即。

由此从图像的空间平面得到模糊特性平面。

然后，基于此模糊集定义了图像的线性模糊度二次模糊度和模糊熵，使这三个量取最小值时的交叉点即为最佳阈值。

文献指出模糊隶属度函数在该算法中的作用仅在于将图像由灰度数据空间转换为模糊空间，其函数的形式对增强结果几乎没有影响。

这就使我们有理由使用些形式简单的函数形式。

例如国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，做出的改进方法或者对算法的优化，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。

而在上述基于点的全局阈值选取方法中，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。

二维熵阈值分割，就是选择，对，使得目标类和背景类的后验，并没有种适合于所有图像的通用的分割算法。

另方面，给定个实际图像分割问题要选择合用的分割算法也还没有标准的方法。

为解决这些问题需要研究对图像分割的评价问题。

分割评价是改进和提高现有算法性能改善分割质量和指导新算法研究的重要手段。

然而，如同所有的图像分割方法样