图像分割阈值选取技术综述
医学图像分割方法综述
医学图像分割方法综述林瑶，田捷1北京,中国科学院自动化研究所人工智能实验室,100080摘要: 图像分割是一个经典难题，随着影像医学的发展，图像分割在医学应用中具有特殊的重要意义。
本文从医学应用的角度出发，对医学图像分割方法，特别是近几年来图像分割领域中出现的新思路、新方法或对原有方法的新的改进给出了一个比较全面的综述，最后总结了医学图像分割方法的研究特点。
关键词：医学图像分割 综述1．背景介绍医学图像包括CT 、正电子放射层析成像技术（PET ）、单光子辐射断层摄像（SPECT ）、MRI （磁共振成像技术）、Ultrasound （超声）及其它医学影像设备所获得的图像。
随着影像医学在临床医学的成功应用，图像分割在影像医学中发挥着越来越大的作用[1]。
图像分割是提取影像图像中特殊组织的定量信息的不可缺少的手段，同时也是可视化实现的预处理步骤和前提。
分割后的图像正被广泛应用于各种场合，如组织容积的定量分析，诊断，病变组织的定位，解剖结构的学习，治疗规划，功能成像数据的局部体效应校正和计算机指导手术[2]。
所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。
定义 将一幅图像，其中g x y (,)0≤≤x Max x _,0≤≤y Max y _，进行分割就是将图像划分为满足如下条件的子区域...：g 1g 2g 3 (a) ，即所有子区域组成了整幅图像。
(b) 是连通的区域。
g k (c) ，即任意两个子区域不存在公共元素。
(d) 区域满足一定的均一性条件。
均一性（或相似性）一般指同一区域内的像素点之间的灰度值差异较小或灰度值的变化较缓慢。
g k 如果连通性的约束被取消，那么对像素集的划分就称为分类（pixel classification），每一个像素集称为类（class）。
在下面的叙述中，为了简单，我们将经典的分割和像素分类通称为分割。
图像处理技术中的图像分割阈值选择方法探讨
图像处理技术中的图像分割阈值选择方法探讨图像分割是图像处理的重要步骤之一，它将一幅图像划分成多个区域或对象，使得每个区域或对象具有一定的相似性或特征。
而图像分割的关键在于选择合适的阈值，以实现准确的分割结果。
本文将探讨图像处理技术中的图像分割阈值选择方法。
图像分割的目的是将图像中的前景和背景分开，使得每个区域或对象能够得到独立的处理。
在许多应用中，分割准确性对于后续处理步骤的成功非常关键。
因此，选择适当的阈值方法至关重要。
在图像处理中，有许多常用的图像分割阈值选择方法，比如全局阈值法、自适应阈值法、Otsu阈值法等。
下面将对这些方法进行详细的介绍和比较。
首先是全局阈值法，它是最简单和最常见的分割方法之一。
该方法假设图像中的前景和背景的灰度值具有明显的差异，并且像素的灰度值可以根据一个固定的阈值进行分类。
通常情况下，阈值可以通过试错法或者统计分析的方法来选择。
全局阈值法的优点是简单易用，计算速度快，适用于许多场景。
然而，该方法对于图像中存在灰度值分布不均匀或者背景复杂的情况表现不佳。
接下来是自适应阈值法，该方法能够根据图像中局部区域的特征动态地选择阈值。
它假设图像中的前景和背景的灰度值在局部区域内具有一定的相似性，并且像素的灰度值可以根据其局部区域的平均或中值来分类。
自适应阈值法的优点是能够适应图像中的灰度值变化和背景复杂的情况，但是计算复杂度会相应增加。
最后是Otsu阈值法，它是一种基于图像灰度直方图特性的自动分割方法。
Otsu 阈值法通过最大类间方差的方法选择阈值，即使得前景和背景之间的差异最大。
它能够自动选择合适的阈值，适用于各种图像。
Otsu阈值法的优点是能够自动化选择阈值，但是对于某些特殊图像，可能无法得到理想的分割结果。
除了以上介绍的常用方法外，还有一些其他的图像分割阈值选择方法，如基于聚类分析的方法、基于直方图的方法等。
这些方法在特定的应用场景中可能会有更好的效果，但是也有一定的局限性。
图像分割中的阈值选择方法与技巧
图像分割中的阈值选择方法与技巧图像分割是一种将图像划分为不同区域或对象的图像处理技术。
它在计算机视觉、电子图像处理、医学图像分析等领域具有广泛的应用。
图像分割的一个关键步骤是阈值选择，它决定了图像中不同区域的分割边界。
本文将介绍图像分割中的阈值选择方法与技巧。
阈值选择是图像分割中最常用的方法之一。
它基于像素的灰度值，通过设定一个阈值来将像素划分为两个类别：一个类别代表目标物体，另一个类别代表背景或其他物体。
阈值选择方法通常根据图像的特征和应用需求来选择最合适的阈值。
最简单的阈值选择方法是全局阈值法。
它假设整个图像中只存在两个灰度级别：目标和背景。
这种方法适用于图像中目标与背景之间有明显的灰度差异的情况。
全局阈值法的步骤是通过比较图像中所有像素的灰度值与设定的阈值，将灰度值小于阈值的像素标记为目标，大于阈值的像素标记为背景。
然而，全局阈值法并不适用于具有复杂物体和背景的图像。
为了克服这个问题，文献中提出了许多自适应阈值选择方法。
其中一个常用的方法是基于大津法的自适应方法。
大津法通过最小化目标和背景之间的类内方差，最大化类间方差来选择最佳的阈值。
这种自适应方法能够处理图像中存在多个灰度级别的情况，更适用于复杂的图像场景。
除了自适应阈值选择方法，还有其他一些技巧可以改善图像分割的效果。
一种常用的技巧是使用图像增强方法来提高图像的对比度。
图像增强方法可以通过直方图均衡化、滤波等技术来增强图像的特征，使得阈值选择更加准确。
考虑到图像中可能存在噪声的情况，可以使用平滑滤波器对图像进行去噪处理，以减少噪声对阈值选择的影响。
对于多通道图像，可以采用颜色或纹理信息来辅助阈值选择。
例如，当分割彩色图像时，可以使用颜色直方图或颜色特征来指导阈值选择。
而对于纹理图像，可以使用纹理特征来选择合适的阈值。
在图像分割的实际应用中，阈值选择往往需要考虑到图像的特性和应用需求。
因此，选择合适的阈值选择方法和技巧对于实现准确的图像分割至关重要。
医学图像分割方法综述
原理: 分裂合并的思想将图像先看成一个区域，然后区域不断被 分裂为四个矩形区域，直到每个区域内部都是相似的。研究重 点是分裂和合并规划的设计。
缺点: 分裂技术破坏区域边界。
example
• 在想要分割的部分选择一个或者多个种子 • 相邻像素就会以某种算法进行检测 • 将符合检测条件的像素加入到区域中 • 逐渐生长为满足约束条件的目标区域
途径: 先用基于区域的分裂合并方法分割图像，然后用边界信息对区 域间的轮廓进行优化；先在梯度幅值图像中检测屋脊点和波谷点, 通 过最大梯度路径连接奇异点获得初始图像分割，然后采用区域合并技 术获得最终结果等
其它分割方法
基于模糊理论:图像分割问题是典型的结构不良问题，而模糊集理论具 有描述不良问题的能力。基于模糊理论的图像分割方法包括模糊阈值 分割方法、模糊聚类分割方法和模糊连接度分割方法等。
优点:实现简单，对不同类灰度值或其他特征相差很大 时，能有效分 割。常做医学图像的预处理。
缺点: 不适应多通道和特征值相差不大的图像；对噪声和灰度不均匀 很敏感；阈值选取困难。
直方图
• 图像区域由灰度值区分开
基于阈值的图像分割
阈值:
选择灰度值作为阈值
g m in和g m a x
遍历整幅图像检测像素是否在此区域内
分类: 形变模型包括形变轮廓(deformable contour) 模型（又称 snake或active contour ），三维形变表面（deformable surface ）模型。
形变轮廓模型: 使轮廓曲线在外能和内能的作用下向物体边 缘靠近，外力推动轮廓运动，而内力保持轮廓的光滑性。
基于阈值的图像分割
基于阈值的图像分割算法研究综述
第41卷第6期2023年12月沈阳师范大学学报(自然科学版)J o u r n a l o f S h e n y a n g N o r m a lU n i v e r s i t y(N a t u r a l S c i e n c eE d i t i o n)V o l.41N o.6D e c.2023文章编号:16735862(2023)06052604基于阈值的图像分割算法研究综述:原理㊁分类及典型算法杨林蛟(沈阳师范大学化学化工学院,沈阳110034)摘要:随着计算机技术的飞速发展,图像处理技术在各个领域都得到了广泛应用,如产品质量检测㊁医学图像处理㊁军事目标的定位与跟踪等㊂作为图像处理技术和计算机视觉技术的研究基础,图像分割技术目前已出现了大量不同类型的算法,并在各个领域的应用中发挥着重要的作用㊂其中,基于阈值的图像分割算法因具有简单有效㊁计算量小㊁性能稳定等优点而受到了人们的普遍青睐㊂首先,对图像分割技术按照不同的划分方式进行了简单的分类;其次,对阈值分割算法的基本原理㊁分类及最典型的O t s u算法的基本思想进行了详尽的介绍;最后,对阈值分割算法目前存在的问题进行了阐述,并对算法未来的发展趋势进行了展望㊂研究工作可为图像处理技术的进一步发展提供理论借鉴㊂关键词:图像处理;阈值分割;阈值选取;算法中图分类号:T P391文献标志码:Ad o i:10.3969/j.i s s n.16735862.2023.06.007A r e v i e w o ft h r e s h o l d-b a s e di m a g es e g m e n t a t i o n a l g o r i t h m s:P r i n c i p l e s,c l a s s i f i c a t i o na n d t y p i c a l a l g o r i t h m sY A N GL i n j i a o(C o l l e g e o fC h e m i s t r y a n dC h e m i c a l E n g i n e e r i n g,S h e n y a n g N o r m a lU n i v e r s i t y,S h e n y a n g110034,C h i n a)A b s t r a c t:W i t h t h e r a p i dd e v e l o p m e n t o f c o m p u t e r t e c h n o l o g y,i m a g e p r o c e s s i n g t e c h n o l o g y h a sb e e n w i d e l y u s e di nv a r i o u s f i e l d s,s uc ha s p r od u c t q u a l i t y de t e c t i o n,m e d i c a l i m a g e p r o c e s s i n g,m i l i t a r y t a r g e t p o s i t i o n i n g a n d t r a c k i n g.A s t h e b a s i s o f i m a g e p r o c e s s i n g t e c h n o l o g y a n d c o m p u t e rv i s i o nt e c h n o l o g y,al a r g e n u m b e r o f d i f f e r e n tt y p e s o fa l g o r i t h m s h a s e m e r g e d,a n d t h e s ea l g o r i t h m s p l a y a ni m p o r t a n t r o l e i nv a r i o u s f i e l d so fa p p l i c a t i o n.A m o n g t h e m,t h r e s h o l db a s e di m a g e s e g m e n t a t i o na l g o r i t h m h a sb e e n w e l c o m e db e c a u s eo f i t sa d v a n t a g e so fs i m p l e,e f f e c t i v e,l i t t l e c o m p u t a t i o na n ds t a b l e p e r f o r m a n c e.F i r s t l y,t h e i m a g es e g m e n t a t i o nt e c h n o l o g y i ss i m p l yc l a s s i f i e da c c o rd i n g t o t he d if f e r e n t p a r t i t i o n i ng w a y s.S e c o n d l y,th eb a si c p r i n c i p l e,c l a s s i f i c a t i o n,a n d t h eb a s i ci d e ao ft h e m o s tt y p ic a lO t s ua l g o r i t h m o ft h r e s h o l ds e g m e n t a t i o na l g o r i t h m a r ei n t r o d u c e di n d e t a i l.A tl a s t,t h ee x i s t i n g p r o b l e m s o ft h r e s h o l d s e g m e n t a t i o n a l g o r i t h m a r ed e s c r i b e d,a n dt h ef u t u r ed e v e l o p m e n tt r e n d o ft h i sa l g o r i t h m a r ef o r e c a s t e d.T h i s w o r kc a np r o v i d e t h e o r e t i c a l r e f e r e n c e f o r t h e f u r t h e r d e v e l o p m e n t o f i m a g e p r o c e s s i n g t e c h n o l o g y.K e y w o r d s:i m a g e p r o c e s s i n g;t h r e s h o l d s e g m e n t a t i o n;t h r e s h o l d s e l e c t i o n;a l g o r i t h m 图像处理技术一般是指利用计算机对图像进行分析,以达到所需结果的技术,又可称为影像处理㊂收稿日期:20230929基金项目:辽宁省教育厅科学研究经费项目(L J C202004,L J C202005)㊂作者简介:杨林蛟(1976 ),男,青海西宁人,沈阳师范大学高级实验师,硕士㊂图像处理技术主要包括图像的数字化㊁图像的增强和复原㊁图像的分割和识别㊁图像的数据编码等㊂其中,图像分割在计算机视觉中起着至关重要的作用,是图像处理技术的基础㊂图像分割的目的是使图像得到简化或改变图像的表示形式,图像经过分割后会形成一些特定的㊁具有独特性质的区域,这里的独特性质一般指像素的灰度㊁颜色和纹理等㊂其过程就好比把图像中的每一个像素打上一个特定的标签,使得具有相同标签的像素具有相同的视觉特性,从而用来定位图像的物体和边界㊂图像分割技术一直是计算机视觉研究的热点之一,历经数十年的发展,大量的分割算法被人们相继提出并得到广泛应用[1]㊂其中,基于阈值的图像分割算法因具有实时㊁有效㊁自动㊁应用广泛等优点而受到人们的广泛关注㊂本文首先对现有的图像分割技术进行了简单的划分,接着对基于阈值的分割算法的原理㊁分类及最典型的O t s u 算法进行了系统的介绍,以期为图像处理技术的进一步发展提供理论借鉴㊂1 图像分割技术的分类目前,人们对图像分割技术进行了大量的研究,并取得了卓有成效的研究成果,开发出了很多算法㊂如图1所示,如果按照图像类型划分,图像分割技术可分为灰度图像分割和彩色图像分割,灰度图像分图1 图像分割技术的7种不同划分方式F i g .1 S e v e nd i f f e r e n tw a y s o f i m a g es e g m e n t a t i o n t e c h n o l o g y割主要用于处理非自然图像,彩色图像分割则主要用于处理自然图像;按照是否存在用户交互,可将图像分割技术分为监督式分割和非监督式分割,监督式分割主要用于对图像和视频进行编辑,非监督式分割则主要用于处理图像背景较为单一的文本图像㊁工业图像等;按照表示方式的不同,图像分割技术又可分为基于像素级的分割和超像素级的分割,目前大多数的分割算法属于基于像素级的分割技术,其通常具有较高的处理精度;按照图像的另一种表示方式,图像分割技术则分为单一尺度的分割和多尺度分割,单一尺度的分割是在原始尺度空间上构建相关的分割模型,而多尺度分割则可充分挖掘图像的基本信息;从属性来划分,图像分割技术可分为单一属性的分割和多属性分割,前者只对灰度㊁颜色㊁纹理等特征中的一种属性进行分割,后者则能综合运用图像的多种属性;从操作空间来划分,图像分割技术可分为利用图像特征信息的分割和利用空间位置信息的分割,其中前者主要包括阈值分割算法和聚类算法等,后者主要包括水平集分割算法㊁活动轮廓算法等;从驱动方式划分,图像分割技术可分为基于边缘的分割和基于区域的分割㊂2 阈值分割算法阈值分割算法主要利用图像的特征信息对图像进行分割,目前已有上百种算法被陆续提出㊂其主要思想是不同的目标具有不同的诸如颜色㊁灰度㊁轮廓等特征,根据特征间的细小差别,通过选取特定的阈值将目标物与背景划分开来,进而实现快速的图像分割㊂2.1 阈值分割算法的基本原理阈值法的基本原理是先确定一个阈值[2],然后将所有像素按照其特征值与阈值的大小关系划分为2个类别㊂当特征值大于阈值时,该像素被归为目标类;反之,被归为背景类㊂通过选择合适的阈值,可以实现对图像目标与背景的有效分离㊂设原始图像为f (x ,y ),在f (x ,y )中找出特征值T ,将原始图像分割为2个部分,得到分割后的图像为g (x ,y )=b 0,f (x ,y )<t b 1,f (x ,y )ȡ{t725 第6期 杨林蛟:基于阈值的图像分割算法研究综述:原理㊁分类及典型算法若取b 0=0(黑),b 1=1(白),即为图像的二值化㊂2.2 阈值分割算法的分类根据利用信息种类的不同,可将阈值分割算法分为以下几类:1)基于直方图形状的方法㊂该类方法主要根据直方图的形状属性来划分像素,其又可分为 凸壳 法㊁ 峰谷 法和形状建模法3类㊂1997年,C a r l o t t o [3]对图像的概率密度进行了多尺度分析,并以此估计最佳阈值;1998年,C a i 和L i u [4]利用P r o n y 谱分析法得到了图像多重指数信号能量谱的近似值;之后,G u o 和P a n d i t [5]提出了一个全极模型㊂2)基于熵的方法㊂该类方法利用灰度分布的熵信息来划分像素㊂J o h a n n s e n 和B i l l e [6]最早对熵算法进行了研究㊂之后,很多学者对这一算法进行了改进,如P a l [7]在交叉熵的基础上建立了一种对前景和背景后验概率密度的模型;S u n [8]依靠 模糊事件熵 的最大化,采用了Z a d e h 的S 隶属度函数㊂3)基于聚类的阈值分割方法㊂该类方法又可分为迭代法㊁聚类法㊁最小误差法和模糊聚类4类,其主要通过对灰度数据进行聚类分析来获取阈值㊂其中,聚类法是通过将前景和背景的加权方差最小化来获得最佳阈值,是阈值分割算法中较为经典的算法之一㊂L i u 和L i [9]将聚类法扩展到了二维,景晓军等[10]将聚类法扩展到了三维㊂4)基于对象属性的方法㊂该类方法通过度量原始图像与二值图像间的诸如灰度片段㊁形状紧密性㊁纹理等的属性特性来选取阈值㊂基于对象属性的方法可分为片段保存法㊁边缘匹配法㊁模糊相似法㊁拓扑固定态法㊁最大信息法和模糊紧密性增强法6类㊂5)基于空间的方法㊂该类方法又可分为同现方法㊁高次熵法㊁基于随机集合的方法和二维模糊划分法4类,其选取阈值的方式是度量灰度分布和邻域内像素的相关性㊂C h a n g 等[11]在确保源图像与二值图像的同现概率以最低程度发散的条件下建立了阈值;B r i n k [12]认为空间熵可由二元熵在所有可能间隔的总和来计算㊂6)局部自适应方法㊂局部自适应方法可以克服其他阈值算法的许多缺陷,受到了人们的普遍关注,其主要的2种形式分别为邻域法和分块法㊂邻域法一般会受到邻域范围的制约,因而对文字等狭长目标比较敏感,但对平坦的大块前景或背景容易造成误分;分块法的适用范围会更广,但分块之间结果的不连续是该方法的缺陷之一㊂2.3 典型阈值分割算法介绍O t s u 阈值分割算法,也可称为最大类间方差算法,是最常用的一类阈值分割算法,也是阈值分割领域各类文献中被引用数量最多的算法之一㊂该算法选取使得类间方差最大的灰度值作为划分背景和前景的最佳阈值,其基本思想如下:在一幅灰度图像中,假设其灰度级为L ,用n i 表示灰度级为i 的像素个数,N 表示总像素的个数,则N =n 0+n 1+ +n L -1㊂用p i 表示灰度图像中灰度值i 的像素点出现的概率,则有p i =n i N ㊂设有阈值t 将图像分为前景和背景2个部分,分别用C 0={0,1, ,t }和C 1={t +1,t +2, ,L -1}表示㊂设ω0为C 0出现的概率,ω1为C 1出现的概率,则有ω0=ðt i =0p i ,ω1=ðL -1i =t +1p i ,且ω0+ω1=1㊂则C 0和C 1的平均灰度μ0和μ1为μ0=ðt i =0i ㊃p i ω0=μ(t )ω0,μ1=ðL -1i =t +1i ㊃p i ω1=μ-μ(t )1-ω0用σ2B 表示类间方差,其表达式为σ2B =ω0(μ0-μ)2+ω1(μ1-m )2=ω0㊃ω1(μ0-μ1)2最佳分割阈值t *即为使得类间方差σ2B 最大的阈值t :t *=a r g m a x t ɪ{0,1, L -1}σ2B 上述O t s u 算法又称一维O t s u 算法,它在不对概率密度函数做出假设的情况下,以均值和方差的概率密度为基础对图像的分割状态进行描述,可以在很大程度上提高算法的运算速度㊂后来,人们又发展了二维O t s u 阈值分割方法,它是在原来一维算法灰度值的基础上加入了像素邻域平均灰度作为第825沈阳师范大学学报(自然科学版) 第41卷二维,因而提高了一维算法的抗噪声能力㊂O t s u 阈值分割算法的分割效果如图2所示㊂(a )原始图像(b )O t u s 法阈值选择图2 O t s u 阈值分割算法的分割效果F i g .2 S e g m e n t a t i o ne f f e c t o f O t s u t h r e s h o l d s e g m e n t a t i o na l g o r i t h m 2.4 阈值分割算法目前存在的问题虽然阈值分割算法在国内外研究者们数十年的努力下已经取得了长足的进步,但目前仍然存在着如不均匀光照㊁噪声干扰㊁文本图像 劣化 等问题亟待解决㊂其中,不均匀光照会使直方图中的目标波峰与背景波峰混杂在一起,从而降低直方图阈值法的效果;噪声对图像处理的整个过程都有影响,去噪已成为图像分割领域的一个研究重点;长时间保存的纸质文档会出现背面字迹浸透㊁字迹污染等现象,从而造成分割时产生大量的误分㊂3 结论与展望图像分割是计算机视觉的基础技术,分割效果将直接影响如目标定位㊁目标识别㊁目标跟踪㊁场景分析等的后续处理㊂在众多的图像分割算法中,阈值分割算法一直以其实时㊁高效等特点受到人们的普遍关注㊂但从目前来看,阈值分割算法仍面临着许多难以解决的困难,可行的解决方法是从更高的图像语义出发,对图像内容进行抽象分析,然后指导低层次的图像分割,重复这样的操作若干次,可以逐步提高分割的精度㊂目前,对该种分割方式的研究仍处于探索阶段㊂参考文献:[1]S E Z G I N M ,S A N K U RB .S u r v e y o v e r i m a g e t h r e s h o l d i n g t e c h n i qu e s a n d q u a n t i t a t i v e p e r f o r m a n c e e v a l u a t i o n [J ].J E l e c t r o n I m a g i n g ,2004,13(1):146168.[2]阴国富.基于阈值法的图像分割技术[J ].现代电子技术,2007(23):107108.[3]C A R L O T T O M J .H i s t o g r a m a n a l y s i su s i n g as c a l e -s p a c ea p p r o a c h [J ].I E E E T r a n sP a t t e r n A n a l M a c hI n t e l l ,1997,9(1):121129.[4]C A I J ,L I UZQ.An e wt h r e s h o l d i n g a l g o r i t h m b a s e do na l l -p o l em o d e l [C ]ʊP r o c e e d i n g so f t h e14t hI n t e r n a t i o n a l C o n f e r e n c e o nP a t t e r nR e c o g n i t i o n .B r i b a n e :I E E E ,1998:3436.[5]G U O R ,P A N D I TS M.A u t o m a t i c t h r e s h o l ds e l e c t i o nb a s e do nh i s t o gr a m m o d e sa n dad i s c r i m i n a n t c r i t e r i o n [J ].M a c hV i s i o nA p p l ,1998,10:331338.[6]J OHA N N S E N G ,B I L L EJ .At h r e s h o l ds e l e c t i o n m e t h o du s i n g i n f o r m a t i o n m e a s u r e s [C ]ʊP r o c e e d i n gso f t h e6t h I n t e r n a t i o n a l C o n f e r e n c e o nP a t t e r nR e c o g n .M u n i c h :G e r m a n y ,1982:140143.[7]P A L N R.O nm i n i m u mc r o s s -e n t r o p y t h r e s h o l d i n g [J ].P a t t e r nR e c o g n ,1996,29(4):575580.[8]S U NCY.An o v e lf u z z y e n t r o p y a p p r o a c h t o i m ag e e nh a n c e m e n t a n d t h r e s h o l di n g [J ].S i gn a l P r o c e s s ,1999,75:277301.[9]L I UJZ ,L I W Q.T h ea u t o m a t i ct h r e s h o l d i n g o f g r a y -l e v e l p i c t u r e sv i at w o -d i m a n s i o n a lO t s u me t h o d [J ].A c t a A u t o m a t i c aS i n ,1993,19:101105.[10]景晓军,李剑峰,刘郁林.一种基于三维最大类间方差的图像分割算法[J ].电子学报,2003,31(9):12811285.[11]C HA N GC ,C H E N K ,WA N GJ ,e t a l .Ar e l a t i v e e n t r o p y b a s e d a p p r o a c h i n i m a g e t h r e s h o l d i n g [J ].P a t t e r nR e c o gn ,1994,27(9):12751289.[12]B R I N K A D.M i n i m u ms p a t i a l e n t r o p y t h r e s h o l d s e l e c t i o n [J ].I E E EP r o c e e d i n g s ,1995,142(3):128132.925 第6期 杨林蛟:基于阈值的图像分割算法研究综述:原理㊁分类及典型算法。
图像分割方法综述【文献综述】
文献综述电子信息工程图像分割方法综述摘要：图像分割是图像理解的基础，图像分割的算法研究越来越受到关注，早期的图像分割算法在之后的研究中得到完善。
活动轮廓模型是图像分割和边界提取的重要工具之一，主要包括了参数形式活动轮廓模型和几何形式活动轮廓模型两大类，本文对这两类模型进行了大概的说明，简单叙述了相对的优点，如几何活动轮廓模型在变形的过程中能处理曲线拓扑变化。
鉴于活动轮廓模型所存在的缺点，提出了水平集算法，使得计算的范围和简易程度有了很大的发展。
最后指出了图像分割的算法还有一些进一步优化的研究发展方向。
关键词：图像分割，参数活动轮廓模型，几何活动轮廓模型，水平集1.引言对图像进行处理，通过图像分割、目标分离、特征提取、参数测量等技术，将原始的图象转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。
其中图像分割已经越来越受到人们的关注，作为一种图像处理与计算机视觉操作的预处理手段，已经应用到了很多的领域，图像分割可以定义为：根据图像特征对图像进行区域划分[1]过程，图像分割的效果好坏会直接影响到后续的处理结果，所以图像分割是一个基本而又关键的技术，为此人们提出了很多有效的、具有鲁棒性的分割算法。
图像分割方法有很多，按知识的特点和层次可分为数据驱动和模型驱动两大类[2]，前者有Roberts算子、Sobel算子和Canny算子、阈值分割、分水岭算法和模糊聚类分割算法等；后者是直接建立在先验知识的基础上的，如基于活动轮廓模型的图像分割。
水平集的应用领域是隐含曲线（曲面）的运动[3]，现在水平集已经广泛应用于图像恢复、图像增强、图像分割、物体跟踪、形状检测与识别、曲面重建、最小曲面、最优化以及流体力学中的一些方面。
一个好的图像分割算法应具有以下特点：1、有效性，能将图像中感兴趣的区域或目标分割出来的有效规则。
2、整体性。
能得到图像中感兴趣区域或目标的无断点和离散点的封闭边界。
3、精确性，分割所得到的感兴趣区域或目标边界与实际情况贴近。
图像分割的阈值法综述
第24卷第6期系统工程与电子技术Systems Engineering and ElectronicsV ol 124,N o 162002收稿日期:2001-05-15 修订日期:2001-08-30作者简介:韩思奇(1951-),男,副教授,大学本科,主要研究方向为图像处理,电路与系统。
文章编号:1001O 506X(2002)06O 0091O 04图像分割的阈值法综述韩思奇,王 蕾(北京理工大学电子工程系,北京100081)摘 要:图像分割是图像处理中的一个重要问题,也是一个经典难题。
阈值法计算简单,具有较高的运算效率,是图像分割中广泛采用的方法,主要分为全局阈值法和局部阈值法。
系统地讨论了阈值法在图像分割中的应用,给出了一个比较全面的综述,对进行图像分割研究的科研人员具有一定的启发作用。
关键词:图像分割;全局阈值法;局部阈值法中图分类号:TN91918 文献标识码:AA Sur vey of Thresholding Methods for Image SegmentationHA N Si 2qi,W AN G Lei(De pt.o f Ele ctronic Enginee ring ,Be ijing Institute o f Tec hnology ,B eijing 100081,China )A bstract:Image seg mentation is an old and difficul t problem in digital image p rocessing.Thresho ldin g methods are widel y used in image segmentati on because of their simplicity and efficiency.They mainly include glo bal thresholding and local thresholding.Thi s paper studies different thresholding method s fo r image seg mentation,including glo bal,lo cal,point 2dependent,and regio n 2dependent methods.Keywords:Image seg mentation;Global thresholding;L ocal thresholding1 引 言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[1]。
图像分割的阈值法综述
图像分割的阈值法综述一、本文概述图像分割是计算机视觉和图像处理领域中的一项基础而重要的任务，其目标是将图像划分为多个具有相似特性的区域，以便于后续的图像分析和理解。
在众多图像分割方法中，阈值法因其简单、高效和易于实现的特点，受到了广泛关注和应用。
本文旨在对图像分割的阈值法进行综述，探讨其基本原理、发展历程、主要方法、优缺点以及未来发展趋势。
本文将简要介绍阈值法的基本原理，包括灰度阈值法、颜色阈值法和基于直方图的阈值法等。
通过对这些方法的描述，使读者对阈值法有一个初步的认识和了解。
本文将回顾阈值法的发展历程，从最早的固定阈值法到后来的自适应阈值法，再到基于机器学习和深度学习的阈值法。
通过对这些发展历程的梳理，可以清晰地看到阈值法在不断进步和完善。
接着，本文将重点介绍几种主流的阈值法方法，包括Otsu法、最大熵法、最小误差法等。
这些方法各有优缺点，适用于不同的图像分割场景。
通过对这些方法的详细介绍和比较，可以帮助读者更好地选择和应用适合自己的阈值法方法。
本文还将分析阈值法的优缺点，并探讨其在不同应用场景下的适用性和局限性。
还将展望阈值法的未来发展趋势，包括如何结合其他图像分割方法、如何引入更多的先验知识以及如何借助深度学习等技术来进一步提升阈值法的性能等。
本文将对全文进行总结，并给出一些建议和展望。
希望通过本文的综述，能够为读者提供一个全面而深入的视角，以更好地理解和应用图像分割的阈值法。
二、阈值法基本原理阈值法是一种简单而有效的图像分割方法，其基本原理是基于图像的灰度特性，设定一个或多个阈值，将图像中的像素划分为不同的类别，从而实现图像分割。
阈值分割的基本思想是，假设图像由具有不同灰度级的两类区域组成，这两类区域的灰度值具有明显差异，那么可以选择一个适当的阈值，将图像的每个像素的灰度值与这个阈值进行比较，根据比较结果将像素分配到不同的区域中。
如果像素的灰度值大于阈值，则将其归为一类，否则归为另一类。
图像处理算法介绍：阈值分割
图像处理算法介绍：阈值分割在图像处理时，受外界光线的干扰一般比较大，假如在阈值分割时采用固定阈值，那么在环境改变时分割效果受影响极大，那么为了避免此影响就必须采用动态阈值，自动求出合适的阈值，将目标图像和背景图像分割开来。
图像阈值化分割是一种最常用，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。
因此，这里美国TEO将简要介绍图像处理算法：阈值分割。
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)中找到特征值T，将图像分割为两个部分，当像素点灰度值或彩色值大于T时，则置为A1（其置可为1），小于T时，则置为A0（其置可为0）。
下面是几种常用的阈值分割方法：1、p-分位数法这也是最基础最简单的一种图像分割方法。
该方法使目标或背景的像素比例等于其先验概率来设定阈值，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PO/PB,则可根据此条件直接在图像直方图上找到合适的阈值T，使得f(x,y)>=T的象素为目标，f(x,y)的象素为背景。
2、迭代方法选取阈值初始阈值选取为图像的平均灰度T0，然后用T0将图像的像素点分作两部分，计算两部分各自的平均灰度，小于T0的部分为TA，大于T0的部分为TB。
计算后，将T1 作为新的全局阈值代替T0，重复以上过程，如此迭代，直至TK 收敛，即TK＋1＝TK 。
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。
图像处理中的阈值处理方法分析
图像处理中的阈值处理方法分析图像处理中的阈值处理方法是一种常见的技术，它旨在将图像的灰度级别划分为两个或多个部分。
通过设定一个阈值，图像中的像素被分为高于或低于该阈值的两个部分，从而实现对图像的分割、增强或去噪等目的。
在本文中，我们将对几种常见的阈值处理方法进行分析和讨论。
1. 全局阈值处理方法：全局阈值处理方法是最简单和最直接的方法之一。
该方法基于整个图像的统计信息，通过计算像素的灰度级别的平均值或直方图的峰值来确定一个全局阈值。
将图像中的像素与该阈值进行比较，将高于阈值的像素设置为白色，低于阈值的像素设置为黑色。
该方法可以快速实现，但对于具有不同光照条件和背景的复杂图像效果可能不理想。
2. 自适应阈值处理方法：自适应阈值处理方法是一种根据图像的局部特性来确定阈值的方法。
与全局阈值处理方法不同，该方法使用图像的小区域来计算阈值，在每个区域内分别应用阈值处理。
这种方法尤其适用于具有不均匀光照条件的图像。
它可以根据图像的局部亮度和对比度变化自动调整阈值，从而更好地分割目标图像。
3. 多阈值处理方法：多阈值处理方法是将图像的灰度级别划分为多个等级的方法。
通过设定多个阈值，可以将图像分为多个不同的部分，以实现更多的图像信息提取和分割。
该方法常用于图像分割和目标检测等应用领域。
然而，多阈值处理方法需要更多的计算和分割参数的选择，因此在实际应用中需要根据具体情况进行调整。
4. 非线性阈值处理方法：非线性阈值处理方法是一种根据像素的灰度级别和空间信息来确定阈值的方法。
该方法通过考虑图像的局部对比度和纹理信息，可以更准确地分割具有复杂纹理和边缘的图像。
这种方法常用于医学图像处理和目标跟踪等领域。
5. 自适应聚类阈值处理方法：自适应聚类阈值处理方法是一种基于像素的相似性来确定阈值的方法。
通过将像素聚类为不同的群组，可以根据像素的亮度和颜色信息自适应地选择阈值。
这种方法通常用于图像分割和特征提取等应用领域。
综上所述，图像处理中的阈值处理方法是一种有效的技术，可以实现图像的分割、增强和去噪等目的。
图像分割算法研究综述
图像分割算法研究综述一、本文概述随着计算机视觉技术的飞速发展，图像分割作为其中的一项关键任务，日益受到研究者的关注。
图像分割是指将数字图像细分为多个图像子区域的过程，这些子区域在某种特性或计算上呈现出一致性，如颜色、纹理、形状或空间关系等。
这些被分割的子区域能够显著简化或改变图像的表示形式，使其更适合于进行高级的图像分析和理解任务，如目标识别、场景理解等。
本文旨在全面综述近年来图像分割算法的研究进展，分析和评价各类算法的性能与特点。
我们将对图像分割的基本概念和常用方法进行介绍，包括基于阈值的分割、基于边缘的分割、基于区域的分割以及基于深度学习的分割等。
接着，我们将对各类算法的优缺点进行深入探讨，并结合实际应用场景，分析其在不同任务中的表现。
本文还将关注图像分割领域的发展趋势，如多模态图像分割、弱监督学习在图像分割中的应用等。
我们期望通过本文的综述，能够为读者提供一个清晰、全面的图像分割算法知识框架，并为未来的研究提供有益的参考和启示。
二、图像分割算法分类图像分割是计算机视觉领域的一项关键任务，旨在将图像划分为具有相似性质的区域。
根据不同的原理和方法，图像分割算法可以大致分为以下几类：基于阈值的分割方法：这是最简单的一类图像分割方法，它根据像素值的差异来设置阈值，从而将图像分为不同的区域。
这种方法对于背景与前景有明显对比的简单图像效果较好，但对于复杂场景或光照不均的图像则可能效果不佳。
基于边缘的分割方法：边缘分割方法主要依赖于检测图像中的边缘信息，即像素值发生剧烈变化的区域。
常用的边缘检测算子有Sobel、Canny等。
这类方法对于具有明显边缘特征的图像效果较好，但容易受到噪声的影响。
基于区域的分割方法：基于区域的分割方法是根据像素的相似性将图像划分为不同的区域。
典型的算法有区域生长和分裂合并。
这类方法对于具有均匀纹理和颜色的图像效果较好，但对于边界模糊或复杂纹理的图像可能效果不佳。
基于深度学习的分割方法：随着深度学习技术的发展，基于卷积神经网络（CNN）的图像分割方法取得了显著的进展。
医学图像分割与分类算法综述
医学图像分割与分类算法综述医学图像在现代医疗影像诊断中起着重要的作用。
为了提高医疗诊断的准确性和效率，医学图像分割与分类算法成为研究的热点之一。
本文将综述医学图像分割与分类算法的研究进展，并介绍一些经典的算法方法。
1. 医学图像分割算法医学图像分割是根据医学图像中的不同区域或结构的特征进行像素级的分类。
常用的医学图像分割算法包括阈值法、区域生长法、边缘检测法、基于模型的方法和深度学习方法。
阈值法是最简单和直观的图像分割方法之一。
它基于像素灰度值的阈值将图像分成不同的区域。
但是，阈值选择的准确性对分割结果影响较大，容易受到噪声、光照变化等因素的影响。
区域生长法是基于图像的局部相似性进行分割的方法。
它从一个种子点开始，根据像素的相似性将相邻的像素聚类成一个区域。
区域生长法可以在一定程度上克服阈值法的缺点，但是对于具有复杂结构的图像分割仍然存在一定的挑战。
边缘检测法通过检测图像中各个区域间的边缘信息进行分割。
常用的边缘检测算法包括Canny算法、Sobel算法等。
边缘检测法在图像分割中得到了广泛的应用，但是对于边缘不明显或存在噪声的图像，其准确性和稳定性有待进一步提高。
基于模型的方法是利用已知的医学图像模型进行分割。
这些模型可以是基于统计学的模型，如高斯模型、概率密度模型等，也可以是基于形状的模型，如活动轮廓模型、水平集模型等。
基于模型的方法可以较好地处理具有特定结构或形状的医学图像，但是对于复杂的医学图像分割仍然存在一定的局限性。
深度学习方法是近年来医学图像分割的研究热点。
深度学习算法可以自动学习医学图像的特征表示，从而实现更准确的分割。
常用的深度学习网络包括卷积神经网络（CNN）、循环神经网络（RNN）等。
深度学习方法在医学图像分割领域取得了很大的突破，但是其训练过程复杂，需要大量的训练数据和计算资源。
2. 医学图像分类算法医学图像分类是根据医学图像中的特征将其归类为不同的疾病或病态。
常用的医学图像分类算法包括基于特征的方法和基于深度学习的方法。
医学影像处理中的图像分割方法综述
医学影像处理中的图像分割方法综述概述医学影像处理在现代医学中扮演着重要的角色，它为医生提供了获取、分析和解释医学影像的工具。
图像分割是医学影像处理中的一个核心任务，它的目标是将医学影像中的不同组织和结构分割出来，以便医生能够更准确地进行疾病诊断和治疗。
本文将综述几种在医学影像处理中常用的图像分割方法。
常用的图像分割方法1. 基于阈值的分割方法阈值分割是一种简单而常用的图像分割方法。
该方法根据像素值与预先设定的阈值进行比较，将像素分为不同的类别。
阈值可以手动设定，也可以通过自适应阈值和基于统计学方法的阈值选择来确定。
该方法适用于对比较明显的灰度不同的组织和结构进行分割。
2. 区域生长法区域生长法是一种基于灰度的分割方法，它从种子点出发，通过分析像素之间的相似性来生长一个区域。
这种方法可以根据像素之间的灰度、纹理、形状和空间位置等特征来确定相似性。
区域生长法适用于边界不明显、纹理复杂的医学影像分割。
3. 基于边缘的分割方法边缘是医学影像中不同组织和结构之间的边界，因此边缘检测是图像分割的关键步骤。
基于边缘的分割方法通过检测图像中的边缘来实现分割。
常用的边缘检测算法包括Sobel算子、Canny算子和拉普拉斯算子等。
这些算法可以识别出图像中的边缘，但在存在噪声的情况下容易导致边缘不连续或错过边缘。
4. 模型驱动的分割方法模型驱动的图像分割方法使用数学模型来描述图像中的组织和结构，通过对模型进行求解来实现分割。
常见的模型驱动方法包括基于统计学的方法、基于形态学的方法和基于图论的方法。
这些方法具有较好的分割准确性，但在计算复杂度和参数选择上具有一定挑战。
5. 基于机器学习的分割方法机器学习方法可以通过训练样本来学习医学影像中的组织和结构特征，从而实现图像分割。
例如，支持向量机（SVM）和随机森林（Random Forest）等分类器可以用于像素级别的分类分割。
深度学习方法，尤其是卷积神经网络（CNN），在医学影像分割中取得了显著的进展。
图像分割文献综述
文献综述图像分割就是把图像分成各具特色的区域提取感兴趣目标的技术和过程。
它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。
图像分割起源于电影行业。
伴随着近代科技的发展，图像分割在实际中得3到了广泛应用，如在工业自动化、在线产品检验、生产过程控制、文档图像处理、遥感和生物医学图像分析、以及军事、体育、农业工程等方面。
总之，只要是涉及对对象目标进行特征提取和测量，几乎都离不开图像分割。
所以，对图像分割的研究一直是图像工程中的重点和热点。
自图像分割的提出至今，已经提出了上千种各种类型的分割算法。
由于分割算法非常多，所以对它们的分类方法也不尽相同。
我们依据使用知识的特点与层次，将其分为基于数据和基于模型两大类。
前者是直接对当前图像的数据进行操作，虽然可以利用相关的先验信息，但是不依赖于知识；后者则是直接建立在先验知识的基础上，这类分割更符合当前图像分割的技术要点，也是当今图像分割的主流。
基于数据的图像分割算法多数为传统算法，常见的包括，基于边缘检测，基于区域以及边缘与区域相结合的分割方法等等。
这类分割方法具有以下缺点，○1易受噪声和伪边缘影响导致得到的边界不连续，需要用特定的方法进行连接；○2只能提取图像局部特征，缺乏有效约束机制，难以获得图像的全局信息；○3只利用图像的底层视觉特征，难以将图像的先验信息融合到高层的理解机制中。
这是因为传统的图像处理算法都是基于MIT人工智能实验室Marr提出的各层相互独立、严格由低到高的分层视觉框架下进行的。
由于各层之间不存在反馈，数据自底向上单向流动，高层的信息无法指导底层特征的提取，从而导致底层的误差不断积累，且无法修正。
基于模型的分割方法则可以克服以上缺陷。
基于模型的分割方法可以将分割目标的先验知识等有用信息融合到高层的理解机制之中，并通过对图像中的特定目标对象建模来完成分割任务。
这是一种自上而下的处理过程，可以将图像的底层视觉特征与高层信息有机结合起来，因此更接近人类的视觉处理。
图像分割的阈值法综述
图像分割的阈值法综述引言图像分割是计算机视觉领域的一项重要任务，旨在将图像分割成不同的区域或对象。
阈值法是一种常用的图像分割方法，具有算法简单、运算量小、易于实现等优点，因此在工业、医学、军事等领域得到了广泛的应用。
本文将对图像分割的阈值法进行综述，介绍其概念、优缺点、应用现状和发展趋势。
文献综述阈值法是一种基于像素值的图像分割方法，通过设置一个阈值，将像素值划分为不同的类别。
早在1979年，阈值法就已被提出并应用于图像分割领域。
随着技术的发展，各种阈值法模型不断涌现，包括线性阈值法、非线性阈值法、自适应阈值法等。
线性阈值法是最早的一种阈值法，通过将像素值线性地映射到阈值上，将图像分割成两个或多个区域。
常用的线性阈值法包括Otsu’s方法、Mean-Shift方法等。
非线性阈值法则通过非线性映射关系，更加精确地描述像素值的分布情况。
常用的非线性阈值法包括Gamma变换、正态分布模型等。
自适应阈值法则根据图像的局部特征，自适应地设置阈值，以提高图像分割的准确性。
常用的自适应阈值法包括局部阈值法、区域生长法等。
此外，还有基于深度学习的阈值法，如卷积神经网络（CNN）等，通过训练模型学习图像特征，实现更加精确的图像分割。
研究现状目前，阈值法在图像分割中的应用已经非常广泛。
在图像去噪方面，阈值法可以有效地区分噪声和图像信号，从而实现图像的降噪。
在图像降维方面，阈值法可以通过对像素值进行聚类，将图像转换为低维特征表示，从而加速图像处理速度并减少计算复杂度。
然而，阈值法也存在一些局限性。
首先，阈值法的性能对阈值的选择非常敏感，如果阈值选择不合适，可能会导致图像分割效果不佳。
其次，阈值法只能处理静态的图像，对于动态的图像处理效果较差。
此外，对于复杂背景和遮挡等干扰因素，阈值法也难以实现准确的图像分割。
实验设计与结果分析为了验证阈值法在图像分割中的效果，我们设计了一系列实验。
首先，我们选取了不同类型的图像，包括自然场景、人脸、医学影像等，使用不同的阈值法进行分割实验。
图像阈值分割技术中的部分和算法综述
割方法 ， 以图像直方 图信息为 主导 ， 备原理 清 它 具
晰 、 述简单 、 算快 捷 、 果 良好 等优点 ， 表 运 效 因此 一 直 受到研究 人 员 的青 睐 ， 在实 际应 用场 合 中尤为 明显 。
从 本 质上 看 ， 阈值 分 割方 法 基 本上 可 以分 为六 大类 ［ ： 于 熵 的方法 （ｎ ｒｐ － ａｅ ｔｏ ｓ 、 ３基 ］ ｅ ｔｏ ｙ ｂ ｓｄｍｅｈ ｄ ） 基
基金项 目： 国家 自然科学基金资助项 目（０ ７ １ ３ ； ６ ５２ ３） 陕西省 教育厅专项 科研计 划基金 资助项 目（ ９Ｋ７ １ ２ １Ｊ ２ ） 西安 ０ Ｊ ３ ，０ ０Ｋ８０ ； 邮电学院 中青年科研基金资助项 目（ Ｌ ０ ９１ ） Ｚ ２０ —６ 作者简介 ： ｊ，１８ 一 ， ， Ｎ ￣（ ９ １ ）男 讲师 ， 士 ， 硕 研究方 向： 法设 计、 算 图像 处理 ， － ｉ ｘｅ ｉ ｘ ｘ ｐ． ｄ ． ｎ 王 辉 （９ ９ ） 男 ， Ｅ ｍａ ：ｉ ｅ ＠ ｕ ｔｅ ｕ ｃ ； ｌ ｘｘ １６ 一 ， 副 教授 ， 士， 博 研究方 向： 数据 采集 与处理。
ｏ ｓ 、 于 目标 属 性 的方 法 （ ｂｅｔａｔｉｕ ｅｂ ｓｄ ｄ）基 ｏ ｊｃ ｔ ｂ ｔ－ａ ｅ ｒ ｍｅｈ ｄ ） 空 间方 法 （ ｐ ｔ ｌ ｔｏ ｓ 和 局 部 方 法 ｔｏ ｓ 、 ｓ ａｉ ｈ ｄ ） ａ ｍｅ （ ｃｌ ｔｏ ｓ 。 在 这 些 技 术 中 ， 阈值 法 ＿ ］ １ ａ ｍｅｈ ｄ ） ｏ 熵 ４ 和 ．
得 到 ， 定义 为 其
ｔ
２ 熵 阈值法 中的部分和算法
作为信息度量的熵函数无疑是用于图像分割的 个 恰 当 的 目标 函数 。研究 人员 已提 出许多 熵 阈值 分 割法 ， 例如基 于 Ｓ ａ ｎ ｎ熵 的 阈值 分 割方 法 ［６、 ｈｎ ｏ ４ ＿ ］ 基 于 Ｒｅｙ熵 的 阈值 分割 方法 ［ 、 ｎｉ ２ 基于 Ｔ ａ ｉ熵 的 ¨ ｓｌｓ ｌ
图像阈值法分割综述
出相应 的有理多项式 的极小值 ， 从而决定 阈值 的方法 １ ， Ｌ ． Ｌ ｉ 等人提 出的通 过对 图像 的二维直方图作 Ｆ ｉ ｓ ｈ ｅ ｒ 线性 映射来决定 阈值 的
方 法 等。
基于 最大熵原则选 择阈值是最 为重要的 阈值选择 方法之一 ， 九 十年代 对最大熵原则 的研 究包括 Ｐ ． Ｓ ａ ｈ ｏ ｏ 等人提 出了用 Ｒ ｅ ｎ ｙ ｉ 熵代替常规 的最大熵原则 ｌ ， Ａ． Ｄ ． Ｂ ｒ ｉ ｎ ｋ 把这种方法扩展到二维直方图 Ｊ ， Ｈ． Ｄ ． Ｃ ｈ ｅ ｎ ｇ 等人将模糊测度 函数 的感念引入最大熵原则 ， 提 了模糊 Ｃ 一 分类最 大熵 原则 １ 。
度 越 高 时 间 复 杂 度也 就越 高 。
Ｊ ． Ｃ ． Ｙ ｅ ｎ 等人提出的用最大相关性 原则选择 阈值 的方 法 ， 这种方法其实只是用他们定义的一个 最大相关性原 则取代 了一般用
的最大熵原则 ， Ｎ． Ｐ ａ ｐ ａ ｍ ａ ｒ ｋ ｏ ｓ 等人 提出的先 找出灰度直方 图的峰值点 ， 再 用有 理多项式来拟合灰度直方 图两个峰间的区域 ， 让后求
ｈ ｔ ｔ ｐ： ／ ／ ｗｗｗ． ｄ ｎｚ ｓ ． ｎ ｅ ｔ ． ｃ ｎ
图像阈值法分割综述
刘 超 ， 蔡 文 华 ， 陆 玲
（ 东华理： ［大 学 ， 江西 南 昌 ３ ３ ０ ０ １的难题 ， 由于图像分割 的复杂性 ， 图像 分割 的方法很 多也很难有一个通用的方法。该文主要是 时 图像 阈值 法分割 的一个综述 ， 叙述 了阈值 法分割的一些方法。最后对这 些算 法做 了一 个总结 ， 以及时 阂值法分割的期
ＬＩ Ｕ Ｃｈａ ｏ， ＣＡＩ Ｗ ｅ ｎ—Ｈ ｕａ ， ＬＵ Ｌｉ ｎｇ
图像分割技术综述
１引言
在 对 图像 的研究 和 分析 中 ， 人 们 通常 对 图像 中特定 的 、 具有 独特 性 质 的 区域感 兴 趣 ，图像 分 割就是 指 把这 些 区域 提取 出来 的技 术 和 过程 。正 因为 图像 分 割作 为前 沿 学科 充满 了挑 战 ， 近年 来 ， 吸引 了众 多学 者从 事这 一领 域 的研究 。图像 分割 技术 在航 空航天 、 生 物医学 工 程、 工业 检测 、 机 器人 视觉 、 公 安 司法 、 军事 制导 、 文 化艺 术 、 地理 测 绘 等领 域 受到 广泛 重 视 ， 并 取得 了重大 的开 拓性 成 就 ， 使 其成 为一 门引 入 注 目且前景 广 阔的新 型学科 。 ２ 传统 的 图像 分 割技术 图像分 割 一般 根据 要解 决 的 问题将 图像 细分 为 感兴 趣对 象 的集 合， 其分割方法的种类已达上千种 。 传统的图像分割技术多为基于图 像局部特征 的图像分割方法，是根据图像 局部区域中像元的特征来 实 现 图像分 割 的方法 。 ２ ． １基 于阈值 的 图像 分 割技术 阈值 分割 法是 一种 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 。 阈值 法在 不 同物 体或 结构 之 间有很 大 的强 度对 比时 ，能 够 得到 很好 的效果 。 它计 算 简单 ， 而且 总能用 封 闭而且 连通 的边 界定义 不交 叠 的 区域 。阈值化 分 割算法 就是 选取 一个 或者 多个 阈值 ， 将 图像 的直 方 图 分成几类 ， 图像 中灰度值在 同一个灰度类内的象素属于同一个类 ， 从 而达 到分 割 的 目的。 阈值 法 的核 心是 如何 选 择合适 的阈值 ，阈值分 割法 具 有运 算效 率较高 、 计 算 简单 等优 点 ， 在过 去 的几 十年 中被 广泛 使用 。阈值 化算 法 多种 多样 ， 最具 代表 陆的方 法有 ： 最 大类 间方 差法 、 直 方 图法 、 最大 熵法 、 概 率松 弛法 、 最 小误 差法 、 矩 量保 持法 等 。但 是 ， 阈值 法一 般仅 考虑像素本身的灰度值 ， 不考虑图像的空间相关胜特征 ， 极易受到噪 声的影响。在实际情况中， 阈值法常与其它分割算法相结合 ， 对 图像 进行 分割 。 ２ ． ２基 于边 缘 的图像 分割技 术 边 缘检 测法 是基 于 图像 不 连续性 的分割 技术 ，它 通过 检测 不 同 均匀 区 域之 间 的边界 来 实现 对 图像 的分 割 ，这 与 人 的视觉 过程 有些 相似 。 依据执行方式的不同， 这类方法通常又分为串行边缘检测技术 和并 行 边缘 检测 技 术 。串行 边缘 检测 技术 首 先要 检测 出一 个边 缘起 始点， 然 后 根据 某种 相似 性 准则 寻找 与前 一点 同类 的边 缘 点 ， 这 种 确 定后 继相 似点 的方 法称 为跟 踪 。 根 据跟踪 方 法的不 同 ， 这 类方 法又 可 分 为轮廓 跟踪 、 光栅 跟踪 和全 向跟 踪三 种方法 Ⅲ 。 并 行边 缘 检测 技术 通常 借 助空 域微 分算 子 ，通过 其模 板 与 图像 卷积完成， 因而检测 方法包 括基 于各 种边 界检 测算 子￣ （ Ｒ ｏ ｂ ｅ ａ ｓ 算 子、 Ｌ ａ ｐ ｌ ａ ｅ ｉ ａ ｎ 算子 、 Ｓ ０ ｂ ｅ ｌ 算子 、 Ｐ ｒ ｅ ｗ ｉ ｔ ｔ 算子 、 Ｌ Ｏ Ｇ算 子 等 ）的边 界 检 测 。这类 方法 通常 不能得 到连 续 的单像 素边 缘 ， 而 这对 于分 割来说 是 至 关重 要 的 。所 以 ， 通 常在进 行上 述 边缘 检测 之后 ， 需要 进 行一 些 边 缘 修正 的工作 ， 如 边缘 连通 、 去除 毛刺 和虚假 边缘 等 。 ２ ． ３ 基于 区域特 征 的图像 分割技 术 基 于 区域 的分割 技术 有两 种基 本形 式 ： 区域生 长和分 裂合 并 。 前 者是从单个像素出发 ， 逐渐合并以形成所需的分割结果， 是区域分割 的最基 本 方 法 ； 后 者 是从 整 个 图像 出发 ， 不 需 要生 长 点 ， 逐 渐分 裂 或 合并以形成所需要 的分割结果。不同于阈值方法 ， 这类方法不但考虑 了像素 的相似性 ， 还考虑了空间上的邻接性 ， 因此可以有效消除孤立 噪声的干扰 ， 具有很强的鲁棒性。而且 ， 无论是合并还是分裂 ， 都能够 将 分割 深入 到 像素 级 ， 因此 可 以保证 较 高 的分割 精度 ， 如 分水 岭算 法 等。 ３改进 的 图像分 割技 术 传统 的图像 分 割技 术 都 或多 或 少 地存 在 着某 种 程 度上 的不 足 ， 因此更 多 的研 究者 尝试 将诸 多 理论模 型与 图像 分割 技术 相结 合 以求 达 到 更好 的分 割效 果 。本 文就 简要 介绍 了几 种 应用 得较 为广 泛 的改
医学图像分割算法综述
医学图像分割算法综述随着技术的不断进步，医学图像在临床应用中扮演着越来越重要的角色。
医学图像分割算法是将图像中的信息分离为不同的区域的过程，可用于亚像素级别的图像分析和诊断，被广泛应用于医学影像处理中。
本文将介绍几种常见的医学图像分割算法，包括：阈值分割算法、区域生长算法、边缘检测算法、水平线算法、聚类算法和机器学习算法。
1. 阈值分割算法阈值分割算法是医学图像分割中最简单的方法之一，它将图像像素按其灰度级别分为两部分。
如果像素的灰度值高于特定的阈值，则将其分配给一个分割类别，否则分配给另一个分割类别。
阈值可以手动或自动设置。
手动设置阈值通常可以得到较好的分割结果，自动设置阈值则需要先对图像进行预处理，如直方图均衡化和变换，以使其更适合自动阈值选择算法。
2. 区域生长算法区域生长算法基于像素之间相似性的概念，在开始的时候选定一个种子点，它被包括在一个区域中。
然后，算法在种子点周围的像素上进行迭代，在迭代过程中，对于那些与种子点相似的像素，将它们添加到该区域中。
该算法对于像素数量较少的图像比较有效，但对于包含许多较小的目标的图像较差，因为在这些情况下，算法容易陷入误判。
3. 边缘检测算法边缘检测算法采用像素点在灰度空间中的梯度和目标周围的反差来检测图像的边缘。
梯度表示像素值发生变化的方向和速率，既可以用于检测目标的轮廓，也可以用于检测目标内部。
边缘检测算法对于图像中有大量的灰度变化和边缘的情况效果比较好，但对于像素变化不明显的图像效果较差。
4. 水平线算法水平线算法基于连续像素的行为，可以用于检测相邻像素之间的物体或组织。
算法从顶部或底部的一个像素开始，检测到一个物体或组织的边界。
然后，该算法继续扫描相邻像素，以便检测到相同的物体或组织。
该算法适用于平滑的轮廓和渐变变化的图像，但不适用于存在复杂形状的图像。
5. 聚类算法聚类算法通过对相似像素进行分类，将图像分割成若干个区域。
这些像素通常具有相似的物理或几何属性，如颜色，亮度和形状等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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-contextual>方法(也叫做基于点(point-dependent>地方法>和上下文相关(contextual>方法(也叫做基于区域(region-dependent>地方法>；根据对全图使用统一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(global thresholding>和局部阈值方法(local thresholding,也叫做自适应阈值方法adaptive thresholding>；另外,还可以分为双阈值方法(bilever thresholding>和多阈值方法(multithresholding>本文分三大类对阈值选取技术进行综述：1> 基于点地全局阈值方法；2> 基于区域地全局阈值方法3> 局部阈值方法和多阈值方法3．基于点地全局阈值选取方法3.1 p-分位数法1962年Doyle[10]提出地p-分位数法(也称p-tile法>可以说是最古老地一种阈值选取方法.该方法使目标或背景地像素比例等于其先验概率来设定阈值,简单高效,但是对于先验概率难于估计地图像却无能为力.例如,根据先验知识,知道图像目标与背景象素地比例为PO/PB,则可根据此条件直接在图像直方图上找到合适地阈值T,使得f(x,y>>=T地象素为目标,f(x,y><T地象素为背景.3.2 迭代方法选取阈值[11]初始阈值选取为图像地平均灰度T0,然后用T0将图像地象素点分作两部分,计算两部分各自地平均灰度,小于T0地部分为TA,大于T0地部分为TB计算 ,将T1 作为新地全局阈值代替T0,重复以上过程,如此迭代,直至TK 收敛,即TK＋1 ＝TK经实验比较,对于直方图双峰明显,谷底较深地图像,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,迭代法所选取地阈值不如最大类间方差法.3.3 直方图凹面分析法从直观上说,图像直方图双峰之间地谷底,应该是比较合理地图像分割阈值,但是实际地直方图是离散地,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.从而难以用既定地算法,实现对不同类型图像直方图谷底地搜索.Rosenfeld和Torre[12]提出可以构造一个包含直方图地最小凸多边形 ,由集差确定地凹面.若和分别表示与在灰度级之处地高度,则取局部极大值时所对应地灰度级可以作为阈值.也有人使用低通滤波地方法平滑直方图,但是滤波尺度地选择并不容易[13].但此方法仍然容易受到噪声干扰,对不同类型地图像,表现出不同地分割效果.往往容易得到假地谷底.但此方法对某些只有单峰直方图地图像,也可以作出分割.如：3.4 最大类间方差法由Otsu[14]于1978年提出地最大类间方差法以其计算简单、稳定有效,一直广为使用.从模式识别地角度看,最佳阈值应当产生最佳地目标类与北京类地分离性能,此性能我们用类别方差来表征,为此引入类内方差、类间方差和总体方差 ,并定义三个等效地准则测量：, , . (3>鉴于计算量地考量,人们一般通过优化第三个准则获取阈值.此方法也有其缺陷,kittler和Illingworth[15]地实验揭示：当图像中目标与背景地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：<T）＝ WA(μa-μ>2 + Wb(μb-μ>2其中, 为两类间最大方差,WA 为A类概率,μa为A类平均灰度,Wb 为B类概率,μb为B类平均灰度,μ为图像总体平均灰度.即阈值T将图像分成A,B两部分,使得两类总方差 <T）取最大值地T,即为最佳分割阈值.3.5 熵方法八十年代以来,许多学者将Shannon信息熵地概念应用于图像阈值化,其基本思想都是利用图像地灰度分布密度函数定义图像地信息熵,根据假设地不同或视角地不同提出不同地熵准则,最后通过优化该准则得到阈值.Pun[16]通过使后验熵地上限最大来确定阈值.Kapur等人[17]地方法假定目标和背景服从两个不同地概率分布和定义(4>使得熵(5>达到最大求得最佳阈值.此方法又称为KSW熵方法.3.6 最小误差阈值此方法来源于Bayes最小误差分类方法.Eb(T>是目标类错分到背景类地概率,Eo(T>是背景类错分到目标类地概率总地误差概率 E(T> ＝ Eb(T> ＋ Eo(T>使E(T>取最小值,即为最优分类方法.在Kittler和Illingworth[18]于1986年提出地最小误差法中,直方图被视为目标与背景混合集概率密度函数地估计(9>其中, 为先验概率,,求解下列方程可得到Bayes最小误差阈值(10>遗憾地是上式中 , 和通常是未知地,Nakagawa和Rosenfeld[19]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.3.7 矩量保持法矩量保持(moment-preserving>法[20] ,即矩守恒阈值法,是1985年提出地,其基本思想是最佳地阈值应该使分割前后图像地矩量保持不变,由此可以得到一组矩量保持方程,求解该方程组就可以得到最佳阈值.3.8 模糊集方法模糊集理论较好地描述了人类视觉中地模糊性和随机性,因此在图像阈值化领域受到了广泛地关注.模糊集阈值化方法地基本思想是,选择一种S状地隶属度函数定义模糊集,隶属度为0.5地灰度级对应了阈值,当然在上述隶属度函数地表达式中阈值是一个未知地参数；然后在此模糊集上定义某种准则函数<例如整个图像地总体模糊度）,通过优化准则函数来确定最佳阈值.Pal等[21]首先,他们把一幅具有个灰度级地图像看作一个模糊集 ,其中隶属函数定义如下：(11>参数称之为交叉点<即）.由此从图像地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地线性模糊度、二次模糊度和模糊熵 ,使这三个量取最小值时地交叉点即为最佳阈值.文献[21]指出模糊隶属度函数在该算法中地作用仅在于将图像由灰度数据空间转换为模糊空间 ,其函数地形式对增强结果几乎没有影响.这就使我们有理由使用一些形式简单地函数形式.例如国内学者发表地一种模糊阈值方法[22]：隶属度μ(x>表示灰度x具有明亮特性地程度,c为隶属函数窗宽,q对应隶属度为0.5地灰度级.设灰度级地模糊率为：= min{μ(l>,1-μ(l>}则得到整幅图像地模糊率[44]其中,MN为图像尺寸,L为图像总灰度级, 图像中灰度为地象素个数.对应于不同地q值,就可以计算出相应地图像模糊率,选取使得最小地q值,作为图像分割地最佳阈值即可.3.9 小结对于基于点地全局阈值选取方法,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,做出地改进方法或者对算法地优化,如使用递推方法以降低算法复杂性.例如在文献[42]中,提出一种使目标和背景差距最大地阈值求取方法,类似于最大类间方差阈值法.是它地一种简化算法.又如1984年Dunn等人[23]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地概率等于将目标点误分为背景点地概率.类似于最小误差阈值法.近年来有一些新地研究手段被引入到阈值选取中.比如人工智能,在文献[24] 中,描述了如何用人工智能地方法,寻找直方图地谷底点,作为全局阈值分割.其它如神经网络,数学形态学[39][46],小波分析与变换[40]等等.总地来说,基于点地全局阈值算法,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.因为我地研究方向为机器视觉,所作地项目要求算法具有良好地实时性,因此针对基于点地全局阈值方法,阅读了较多地文献,在综述里叙述也相对比较详细.4 基于区域地全局阈值选取方法对一幅图像而言,不同地区域,比如说目标区域或背景区域,同一区域内地象素,在位置和灰度级上同时具有较强地一致性和相关性.而在上述基于点地全局阈值选取方法中,有一个共同地弊病,那就是它们实际上只考虑了直方图提供地灰度级信息,而忽略了图像地空间位置细节,其结果就是它们对于最佳阈值并不是反映在直方图地谷点地情况会束手无策,不幸我们通常遇到地很多图像恰恰是这种情况.另一方面,完全不同地两幅图片却可以有相同地直方图,所以即使对于峰谷明显地情况,这些方法也不能保证你得到合理地阈值.于是,人们又提出了很多基于空间信息地阈值化方法.可以说,局域区域地全局阈值选取方法,是基于点地方法,再加上考虑点领域内象素相关性质组合而成,所以某些方法常称为“二维xxx方法”.因为考虑了象素领域地相关性质,因此对噪声有一定抑止作用[41].4.1 二维熵阈值分割方法[25]使用灰度级-局域平均灰度级形成地二维灰度直方图[43]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0区和1区,象素地灰度值与领域平均灰度值接近,说明一致性和相关性较强,应该大致属于目标或背景区域；2区和3区一致性和相关性较弱,可以理解为噪声或边界部分.二维熵阈值分割,就是选择<S,T）对,使得目标类和背景类地后验熵最大.<具体方法是一维熵阈值分割地推广,可参见上一节）Abutaleb[26],和Pal]结合Kapur]和Kirby地方法,分别提出了各自地二维熵阈值化方法,其准则函数都是使目标熵和背景熵之和最大化.Brink[27]地方法则是使这两者中地较小者最大化,该方法地计算复杂度为 ,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>.4.2 简单统计法Kittler等人[28],[29]提出一种基于简单地图像统计地阈值选取方法.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,也不涉及准则函数地优化.该方法地计算公式为(19>其中,因为e(x,y>表征了点<x,y）领域地性质,因此本方法也属于基于区域地全局阈值法.4.3 直方图变化法从理论上说,直方图地谷底是非常理想地分割阈值,然后在实际应用中,图像常常受到噪声等地影响而使其直方图上原本分离地峰之间地谷底被填充,或者目标和背景地峰相距很近或者大小差不多,要检测他们地谷底就很难了.在上一节基于点地全局阈值方法中,我们知道直方图凹面分析法地弊病是容易受到噪声干扰,对不同类型地图像,表现出不同地分割效果.往往容易得到假地谷底.这是因为原始地直方图是离散地,而且含噪声,没有考虑利用象素领域性质.而直方图变化法,就是利用一些象素领域地局部性质变换原始地直方图为一个新地直方图.这个新地直方图与原始直方图相比,或者峰之间地谷底更深,或者谷转变成峰从而更易于检测.这里地象素领域局部性质,在很多方法中经常用地是象素地梯度值.例如,因为目标区地象素具有一定地一致性和相关性,因此梯度值应该较小,背景区也类似.而边界区域或者噪声,就具有较大地梯度值.最简单地直方图变换方法,就是根据梯度值加权,梯度值小地象素权加大,梯度值大地象素权减小.这样,就可以使直方图地双峰更加突起,谷底更加凹陷.4.4 其它基于区域地全局阈值法松弛法利用邻域约束条件迭代改进线性方程系统地收敛特性,当用于图像阈值化时其思想是：首先根据灰度级按概率将像素分为“亮”和“暗”两类,然后按照领域像素地概率调整每个像素地概率,调整过程迭代进行,使得属于亮<暗）区域地像素“亮<暗）”地概率变得更大.其它还有许多方法利用灰度值和梯度值散射图,或者利用灰度值和平均灰度值散射图.5 局部阈值法和多阈值法5.1 局部阈值<动态阈值）当图像中有如下一些情况：有阴影,照度不均匀,各处地对比度不同,突发噪声,背景灰度变化等,如果只用一个固定地全局阈值对整幅图像进行分割,则因为不能兼顾图像各处地情况而使分割效果受到影响.有一种解决办法就是用与象素位置相关地一组阈值<即阈值使坐标地函数）来对图像各部分分别进行分割.这种与坐标相关地阈值也叫动态阈值,此方法也叫变化阈值法,或自适应阈值法.这类算法地时间复杂性可空间复杂性比较大,但是抗噪能力强,对一些用全局阈值不易分割地图像有较好地效果.例如,一幅照度不均<左边亮右边暗）地原始图像为：如果只选择一个全局阈值进行分割,那么将出现下面两种情况,都不能得到满意地效果.<阈值低,对亮区效果好,则暗区差）<阈值高,对暗区效果好,则亮区差）若使用局部阈值,则可分别在亮区和暗区选择不同地阈值,使得整体分割效果较为理性.<按两个区域取局部阈值地分割结果）进一步,若每个数字都用不同地局部阈值,则可达到更理想地分割效果.5.1.1 阈值插值法首先将图像分解成系列子图,因为子图相对原图很小,因此受阴影或对比度空间变化等带来地问题地影响会比较小.然后对每个子图计算一个局部阈值<此时地阈值可用任何一种固定阈值选取方法）.通过对这些子图所得到地阈值进行插值,就可以得到对原图中每个象素进行分割所需要地合理阈值.这里对应每个象素地阈值合起来构成地一个曲面,叫做阈值曲面.5.1.2 水线阈值算法水线<也称分水岭或流域,watershed）阈值算法可以看成是一种特殊地自适应迭代阈值方法,它地基本思想是：初始时,使用一个较大地阈值将两个目标分开,但目标间地间隙很大；在减小阈值地过程中,两个目标地边界会相向扩张,它们接触前所保留地最后像素集合就给出了目标间地最终边界,此时也就得到了阈值.5.1.3 其它地局部阈值法文献[30]提出了一种基于阈值曲面地二维遗传算法.遗传算法是基于进化论中自然选择机理地、并行地、统计地随机化搜索方法,所以在图像处理中常用来确定分割阈值.文献[31] [32]中提出一种基于局部梯度最大值地插值方法.首先平滑图像,并求得具有局部梯度最大值地像素点,然后利用这些像素点地位置和灰度在图像上内插,得到灰度级阈值表面.除此之外,典型地局部阈值方法还有White和Rohrer[33]地加权移动平均阈值方法,Perez和Gonzalez[34]地适用于非均匀照射下图像地局部阈值方法以及Shio[35]地与照射无关地对比度度量阈值方法等.总地来说,这类算法地时间和空间复杂度都较大,但是抗噪能力强,对一些使用全局阈值法不宜分割地图像具有较好地效果.5.2 多阈值法很显然,如果图像中含有占据不同灰度级区域地几个目标,则需要使用多个阈值才能将它们分开.其实多域值分割,可以看作单阈值分割地推广,前面讨论地大部分阈值化技术,诸如Otsu地最大类间方差法, Kapur地最大熵方法、矩量保持法和最小误差法等等都可以推广到多阈值地情形.以下介绍另外几种多阈值方法.5.2.1 基于小波地多域值方法.小波变换地多分辨率分析能力也可以用于直方图分析[36],一种基于直方图分析地多阈值选取方法思路如下：首先在粗分辨率下,根据直方图中独立峰地个数确定分割区域地类数,这里要求独立峰应该满足三个条件：<1）具有一定地灰度范围；<2）具有一定地峰下面积；<3）具有一定地峰谷差.然后,在相邻峰之间确定最佳阈值,这一步可以利用多分辨地层次结构进行.首先在最低分辨率一层进行,然后逐渐向高层推进,直到最高分辨率.可以基于最小距离判据对在最低层选取地所有阈值逐层跟踪,最后以最高分辨率层地阈值为最佳阈值.5.2.2 基于边界点地递归多域值方法.这是一种递归地多阈值方法.首先,将象素点分为边界点和非边界点两类,边界点再根据它们地邻域地亮度分为较亮地边界点和较暗地边界点两类,然后用这两类边界点分别作直方图,取两个直方图中地最高峰多对应地灰度级作为阈值.接下去,再分别对灰度级高于和低于此阈值地像素点递归地使用这一方法,直至得到预定地阈值数.5.2.3 均衡对比度递归多域值方法.首先,对每一个可能阈值计算它对应于它地平均对比度其中, 是阈值为时图像总地对比度, 是阈值检测到地边界点地数目.然后,选择地直方图上地峰值所对应地灰度级为最佳阈值.对于多阈值情形,首先用这种方法确定一个初始阈值,接着,去掉初始阈值检测到地边界点地贡献再做一次地直方图,并依据新地直方图选择下一个阈值.这一过程可以这样一直进行下去,直到任何阈值地最大平均对比度小于某个给定地限制为止.6 阈值化算法评价简介尽管人们在图像分割方面做了许多研究工作,但因为尚无通用地分割理论,现已提出地分割算法大都是针对具体问题地,并没有一种适合于所有图像地通用地分割算法.另一方面,给定一个实际图像分割问题要选择合用地分割算法也还没有标准地方法.为解决这些问题需要研究对图像分割地评价问题.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地重要手段.然而,如同所有地图像分割方法一样,阈值化结果地评价是一个比较困难地问题.事实上对图像分割本身还缺乏比较系统地精确地研究,因此对其评价则更差一些.人们先后已经提出了几十个评价准则.这些准则中又有定性地,也有定量地；有分析算法地,也有检测实验结果地,文献[37]将它们大致分为13类. 文献[4] 中选择摄影师、建筑物和模特三幅图像作为标准图像,并采用趋于一致性度量和形状参数对几种常用地全局阈值方法地分割结果进行了评价.结果表明对于这三幅图像,如果希望得到地二值图像比较均匀且目标地形状较好,推荐使用最大熵方法、矩量保持方法和最大类间方差法.文献[38] 中以磁盘及鹤模型作标准图像,在噪声条件下用错分概率、形状和均匀性度量作为标准评估了五种常见地整体阈值选取方法地性能.这五种方法是四元树方法、矩量保持法、最大类间方差法、最大熵方法和简单统计法.结果表明各种方法地性能不仅与所处理地图像有关,而且也和所选用地准则有关.该文献也指出,对于一般实时应用来说,可以选择最大类间方差方法和简单统计法.最后,评价地目地是为了能指导、改进和提高分割,如何把评价和分割应用联系起来尚有许多工作要做.一个可能地方法是结合人工智能技术,建立分割专家系统[45],以有效地利用评价结果进行归纳推理,从而把对图像地分割由目前比较盲目地实验阶段推进到系统地实现地阶段.参考文献1．王新成高级图象处理技术中国科学技术出版社 2000.2． Fu K S, Mui J K. A survey of image segmentation. Pattern Recognition 1981。