计算机科学与技术专业使用阈值技术的图像分割等毕业论文外文文献翻译及原文
图像的阈值分割及边缘检测技术
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0for j=1:nif I(i,j)>=T I(i,j)=255;else I(i,j)=0;endendendsubplot(223);imshow(I); %显示全局阈值分割后的图像2、图像的边缘检测①读取一张图像；②分别使用roberts算子检测、Prewitt算子检测、sobel算子检测、log算子检测、canny算子检测对图像进行处理③输出实验结果图像实验代码如下：I=imread('cameraman.tif'); %读取一张图像subplot(231);imshow(I);title('原图像');BW1=edge(I,'roberts'); %进行Roberts算子边缘检测，门限值采用MATLAB默认值BW2=edge(I,'prewitt'); %进行prewitt算子边缘检测，门限值采用MATLAB默认值BW3=edge(I,'sobel'); %进行sobel算子边缘检测，门限值采用MATLAB默认值BW4=edge(I,'log'); %进行log算子边缘检测，门限值采用MATLAB默认值BW5=edge(I,'canny'); %进行canny算子边缘检测，门限值采用MATLAB默认值subplot(232);imshow(BW1,[]);title('进行Roberts算子边缘检测');subplot(233);imshow(BW2,[]);title('进行prewitt算子边缘检测');subplot(234);imshow(BW3,[]);title('进行spnel算子边缘检测’);subplot(235);imshow(BW4,[]);title('进行log算子边缘检测');subplot(236);imshow(BW5,[]);title('进行canny算子边缘检测');五、实验结果1、图像全局阈值分割源图像直方图全局阈值分割后的图像2、图像的边缘检测六、实验心得1、通过本次实验，我学习到利用MATLAB进行图像的全局阈值分割，其方法是通过图像的直方图估计出阈值再进行分割。
外文文献翻译(图片版)
本科毕业论文外文参考文献译文及原文学院经济与贸易学院专业经济学（贸易方向）年级班别2007级 1 班学号3207004154学生姓名欧阳倩指导教师童雪晖2010 年 6 月 3 日目录1 外文文献译文（一）中国银行业的改革和盈利能力（第1、2、4部分） (1)2 外文文献原文（一）CHINA’S BANKING REFORM AND PROFITABILITY（Part 1、2、4） (9)1概述世界银行（1997年）曾声称，中国的金融业是其经济的软肋。
当一国的经济增长的可持续性岌岌可危的时候，金融业的改革一直被认为是提高资金使用效率和消费型经济增长重新走向平衡的必要（Lardy，1998年，Prasad，2007年）。
事实上，不久前，中国的国有银行被视为“技术上破产”，它们的生存需要依靠充裕的国家流动资金。
但是，在银行改革开展以来，最近，强劲的盈利能力已恢复到国有商业银行的水平。
但自从中国的国有银行在不久之前已经走上了改革的道路，它可能过早宣布银行业的改革尚未取得完全的胜利。
此外，其坚实的财务表现虽然强劲，但不可持续增长。
随着经济增长在2008年全球经济衰退得带动下已经开始软化，银行预计将在一个比以前更加困难的经济形势下探索。
本文的目的不是要评价银行业改革对银行业绩的影响，这在一个完整的信贷周期后更好解决。
相反，我们的目标是通过审查改革的进展和银行改革战略，并分析其近期改革后的强劲的财务表现，但是这不能完全从迄今所进行的改革努力分离。
本文有三个部分。
在第二节中，我们回顾了中国的大型国有银行改革的战略，以及其执行情况，这是中国银行业改革的主要目标。
第三节中分析了2007年的财务表现集中在那些在市场上拥有浮动股份的四大国有商业银行：中国工商银行（工商银行），中国建设银行（建行），对中国银行（中银）和交通银行（交通银行）。
引人注目的是中国农业银行，它仍然处于重组上市过程中得适当时候的后期。
第四节总结一个对银行绩效评估。
A Threshold Selection Method from Gray-Level Histograms图像分割经典论文翻译(部分)
A Threshold Selection Method from Gray-Level Histograms[1][1]Otsu N, A threshold selection method from gray-level histogram. IEEE Transactions on System，Man，and Cybemetics，SMC-8，1978：62-66．一种由灰度直方图选取阈值的方法摘要介绍了一种对于画面分割自动阈值选择的非参数和无监督的方法。
最佳阈值由判别标准选择，即最大化通过灰度级所得到的类的方差。
这个过程很简单，是利用了灰度直方图0阶和第1阶的累积。
这是简单的方法扩展到多阈值的问题。
几种实验结果呈现也支持了方法的有效性。
一.简介选择灰度充分的阈值，从图片的背景中提取对象对于图像处理非常重要。
在这方面已经提出了多种技术。
在理想的情况下，直方图具有分别表示对象和背景的能力，两个峰之间有很深的明显的谷，使得阈值可以选择这个谷底。
然而，对于大多数实际图片，它常常难以精确地检测谷底，特别是在这种情况下，当谷是平的和广泛的，具有噪声充满时，或者当两个峰是在高度极其不等，通常不产生可追踪的谷。
已经出现了，为了克服这些困难，提出的一些技术。
它们是，例如，谷锐化技术[2]，这个技术限制了直方图与（拉普拉斯或梯度）的衍生物大于绝对值的像素，并且描述了绘制差分直方图方法[3]，选择灰度级的阈值与差的最大值。
这些利用在原始图象有关的信息的相邻像素（或边缘），修改直方图以便使其成为阈值是有用的。
另一类方法与参数方法的灰度直方图直接相关。
例如，该直方图在最小二乘意义上与高斯分布的总和近似，应用了统计决策程序 [4]。
然而，这种方法需要相当繁琐，有时不稳定的计算。
此外，在许多情况下，高斯分布与真实模型的近似值较小。
在任何情况下，没有一个阈值的评估标准能够对大多数的迄今所提出的方法进行评价。
这意味着，它可能是派生的最佳阈值方法来建立一个适当的标准，从更全面的角度评估阈值的“好与坏”的正确方法。
外文文献及翻译-fpga实现实时适应图像阈值-其他专业
FPGA实现实时适应图像阈值Elham Ashari电气与计算机工程系,滑铁卢大学理查德霍恩西计算机科学和工程系,纽约大学摘要：本文提出了一种基于实时阈值的通用FPGA结构。
硬件架构是基于一种加权聚类算法的架构,这种算法的重点就在于聚类的前景和背景像素的阈值问题。
该方法采用聚类的二值加权神经网络法找到两个像素组的质心。
图像的阈值是两个质心的平均值。
因为对于每个输入的像素，选定的最近的权值是用来更新的，因而推荐一种自适应的阈值技术。
更新是基于输入像素的灰度级和相关权值的差额的，通过学习快慢因素来衡量其速率。
硬件系统是在FPGA平台上实现的，它包含两个功能模块。
第一个模块获得图像框架阈值，另一个模块将阈值应用于图像的框架。
两个模块的并行性和简单的硬件组成部分使其适用于实时应用程序，并且，其性能可与经常用于离线阈值技术相媲美。
通过利用FPGA对无数的例子进行模拟和实验，得到该算法的结果。
这项工作的基本应用是确定激光的质心，但接下来将会讨论它在其他方面的应用。
关键词:实时阈值,自适应阈值,FPGA实现、神经网络1 简介图像二值化是图像处理的一个主要问题。
如果要从一张图像上提取有用的信息，我们需要将它分成不同的部分（例如背景色和前景色）来进行更为详细的分析。
一般来说，前景色的像素的灰度级与背景色的灰度级是不同的。
现在已有一些较好的使图像二值化地算法，就性能而不是就速度而言，这些算法的主要目标在于高效率，然而对于一些应用，尤其对是在那些定制的硬件和实时应用程序来说，速度则是最关键的要求。
可实现的快速而简单的阈值技术在实际成像系统中得到广泛应用。
例如，结合了CMOS图像传感器的片上图像处理技术普遍存在于各种各样的成像系统当中。
在这样一个系统当中，图像的实时处理及其得到的相关信息是至关重要的。
实时阈值技术的应用领域包括机器人、汽车、目标追踪以及激光测距。
在激光测距，即确定目标的运动范围的过程中，所捕获的图像为二值图像。
图像处理技术中的阈值分割与二值化方法
图像处理技术中的阈值分割与二值化方法在图像处理领域中，阈值分割与二值化方法是一种常用且重要的技术。
它们可以将一幅灰度图像分为多个亮度不同的区域，从而提取出我们感兴趣的目标。
阈值分割与二值化方法在很多应用中都有广泛的应用，比如目标检测、图像增强、字符识别等。
本文将详细介绍这两种方法的原理和常见应用。
我们来了解一下阈值分割的原理。
阈值分割是基于图像的灰度值来进行图像分割的一种方法。
它主要通过设置一个阈值，将图像中的像素根据其灰度与阈值的关系划分为两类：亮区域和暗区域。
对于每个像素，如果其灰度值大于阈值，则划分为亮区域，否则划分为暗区域。
这样，我们就可以得到一幅二值图像，其中亮区域的像素值为255（白色），暗区域的像素值为0（黑色）。
阈值分割方法有多种，常见的有全局阈值分割、自适应阈值分割和多阈值分割等。
全局阈值分割是在整幅图像上寻找一个全局的阈值进行分割，适用于图像中目标与背景之间的灰度差异较大的情况。
自适应阈值分割则是根据图像中每个像素周围的灰度值来确定其阈值，适用于图像中目标与背景之间的灰度差异较小的情况。
多阈值分割则是将图像分为多个灰度级别的区域，适用于图像中存在多个目标的情况。
除了阈值分割，二值化方法也是一种常见的图像处理技术。
二值化方法将一幅灰度图像转换为二值图像，即将所有像素的灰度值限定为两种取值：0和255。
这种方法可以将图像的细节信息保留，同时降低图像的复杂度。
常见的二值化方法有全局二值化和局部二值化。
全局二值化方法是通过设定一个全局的灰度阈值，将图像中的像素根据其灰度与阈值的关系划分为两类。
与阈值分割类似，全局二值化也是将灰度值高于阈值的像素设为255（白色），低于阈值的像素设为0（黑色）。
不同之处在于，全局二值化是在灰度图像上进行的操作，而阈值分割可以是在原始彩色图像上进行。
局部二值化方法与全局二值化方法相比，更加适用于灰度变化较大、光照不均匀的图像。
它将图像分成很多个小块，在每个小块上进行局部阈值分割。
计算机科学与技术 外文翻译 英文文献 中英对照
附件1：外文资料翻译译文大容量存储器由于计算机主存储器的易失性和容量的限制, 大多数的计算机都有附加的称为大容量存储系统的存储设备, 包括有磁盘、CD 和磁带。
相对于主存储器，大的容量储存系统的优点是易失性小，容量大，低成本, 并且在许多情况下, 为了归档的需要可以把储存介质从计算机上移开。
术语联机和脱机通常分别用于描述连接于和没有连接于计算机的设备。
联机意味着，设备或信息已经与计算机连接，计算机不需要人的干预，脱机意味着设备或信息与机器相连前需要人的干预，或许需要将这个设备接通电源，或许包含有该信息的介质需要插到某机械装置里。
大量储存器系统的主要缺点是他们典型地需要机械的运动因此需要较多的时间，因为主存储器的所有工作都由电子器件实现。
1. 磁盘今天，我们使用得最多的一种大量存储器是磁盘，在那里有薄的可以旋转的盘片，盘片上有磁介质以储存数据。
盘片的上面和（或）下面安装有读/写磁头，当盘片旋转时，每个磁头都遍历一圈，它被叫作磁道，围绕着磁盘的上下两个表面。
通过重新定位的读/写磁头，不同的同心圆磁道可以被访问。
通常，一个磁盘存储系统由若干个安装在同一根轴上的盘片组成，盘片之间有足够的距离，使得磁头可以在盘片之间滑动。
在一个磁盘中，所有的磁头是一起移动的。
因此，当磁头移动到新的位置时，新的一组磁道可以存取了。
每一组磁道称为一个柱面。
因为一个磁道能包含的信息可能比我们一次操作所需要得多，所以每个磁道划分成若干个弧区，称为扇区，记录在每个扇区上的信息是连续的二进制位串。
传统的磁盘上每个磁道分为同样数目的扇区，而每个扇区也包含同样数目的二进制位。
（所以，盘片中心的储存的二进制位的密度要比靠近盘片边缘的大）。
因此，一个磁盘存储器系统有许多个别的磁区, 每个扇区都可以作为独立的二进制位串存取，盘片表面上的磁道数目和每个磁道上的扇区数目对于不同的磁盘系统可能都不相同。
磁区大小一般是不超过几个KB; 512 个字节或1024 个字节。
阈值分割原理
阈值分割原理介绍阈值分割是一种常用的图像处理技术，用于将图像分为不同的区域，以实现目标检测和图像分析等应用。
本文将详细介绍阈值分割的原理和应用。
原理阈值分割的原理是基于图像的灰度级别将像素分为不同的区域。
首先，选择一个阈值。
然后，将图像的每个像素与该阈值进行比较，将像素值超过阈值的像素归为一个区域，将像素值低于阈值的像素归为另一个区域。
这样就实现了图像的分割。
应用阈值分割在很多图像处理技术中都有广泛的应用。
下面列举了一些常见的应用场景。
1. 目标检测阈值分割可用于目标检测。
通过将高于某个阈值的像素视为目标，就可以在图像中提取出目标区域。
2. 图像分析阈值分割可用于图像分析。
例如，可以将图像中的背景与前景分离，从而实现图像的特征提取和目标识别。
3. 图像增强阈值分割可以用于图像增强。
通过调整阈值的大小，可以改变图像的亮度和对比度，从而提升图像的质量。
阈值分割可以将图像分割成不同的区域。
这对于图像分析和图像处理来说是非常重要的，可以提取出图像中的各个部分以进行进一步的处理和分析。
阈值选择方法选择合适的阈值是阈值分割的一个关键步骤。
下面介绍几种常见的阈值选择方法。
1. 固定阈值固定阈值是一种简单直观的阈值选择方法。
通过计算图像的全局平均值或者直方图的峰值来确定一个固定的阈值。
但是这种方法无法处理光照不均匀或者图像噪声较大的情况。
2. 自适应阈值自适应阈值是一种根据图像局部特性来选择阈值的方法。
它将图像分成若干个子区域，在每个子区域内计算局部平均值或者局部直方图的峰值，作为该子区域的阈值。
这样能够有效处理光照不均匀和噪声干扰的情况。
3. 基于聚类的阈值选择基于聚类的阈值选择方法将像素值作为聚类的特征，通过聚类分析来选择阈值。
常见的方法有Otsu算法和K-means算法。
这种方法可以自动选择最佳的阈值，适用于不同类型的图像。
优化技术为了提高阈值分割的性能和效果，可以采用一些优化技术。
1. 预处理在进行阈值分割之前，可以对图像进行预处理。
mmsegmentation 阈值
mmsegmentation 阈值随着计算机视觉技术的发展，图像分割在众多领域发挥着重要作用。
其中，医学图像分割尤为重要，它有助于医生对患者病情进行准确诊断和治疗。
本文主要介绍了一种名为MMSegmentation的图像分割算法，并探讨了适用于该算法的阈值选择方法。
一、背景介绍医学图像分割面临着许多挑战，如图像噪声、灰度不均匀性等。
为了解决这些问题，研究人员提出了许多分割算法，如阈值分割、区域生长、基于边缘的分割等。
然而，这些传统算法在处理复杂场景时效果有限。
近年来，基于深度学习的图像分割算法逐渐成为研究热点。
MMSegmentation是其中一种具有代表性的算法。
二、MMSegmentation算法概述MMSegmentation，即多模态医学图像分割算法，采用深度学习技术实现。
它主要包括两个阶段：预处理和分割。
预处理阶段主要对输入的医学图像进行灰度均衡、噪声去除等操作。
分割阶段采用一种基于区域生长的方法，从初始区域逐步扩展，同时结合多尺度分析、边缘检测等技术，实现对图像中目标区域的准确分割。
三、阈值选择方法在MMSegmentation算法中，阈值的选择对于分割结果具有重要影响。
本文提出了以下几种阈值选择方法：1.最大最小值法：通过计算图像中最大和最小灰度值，得到分割阈值。
2.Otsu算法：基于图像的像素灰度差异性，自动确定最佳阈值。
3.自适应阈值法：根据图像局部区域的特点，动态调整阈值。
四、实验与分析为验证所提方法的有效性，本文选取了多种医学图像进行实验。
实验结果表明，所提出的阈值选择方法在很大程度上提高了MMSegmentation算法的分割准确性。
同时，通过对比不同阈值分割结果，分析了各种方法的优缺点，为实际应用中阈值选择提供了有益参考。
五、结论与展望本文通过对MMSegmentation算法的阈值选择方法进行研究，提高了医学图像分割的准确性。
未来，我们将进一步优化算法，探讨更多有效的阈值选择方法，以实现更高质量的医学图像分割。
- 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)。
毕业设计（论文）外文文献翻译文献、资料中文题目： 1.使用阈值技术的图像分割2.最大类间方差算法的图像分割综述文献、资料英文题目：文献、资料来源：文献、资料发表（出版）日期：院（部）：专业：计算机科学与技术班级：姓名：学号：指导教师：翻译日期： 2017.02.14毕业设计（论文）题目基于遗传算法的自动图像分割软件开发翻译（1）题目Image Segmentation by Using ThresholdTechniques翻译（2）题目A Review on Otsu Image Segmentation Algorithm使用阈值技术的图像分割 1摘要本文试图通过5阈值法作为平均法，P-tile算法，直方图相关技术（HDT），边缘最大化技术（EMT）和可视化技术进行了分割图像技术的研究，彼此比较从而选择合的阈值分割图像的最佳技术。
这些技术适用于三个卫星图像选择作为阈值分割图像的基本猜测。
关键词：图像分割，阈值，自动阈值1 引言分割算法是基于不连续性和相似性这两个基本属性之一的强度值。
第一类是基于在强度的突然变化，如在图像的边缘进行分区的图像。
第二类是根据预定义标准基于分割的图像转换成类似的区域。
直方图阈值的方法属于这一类。
本文研究第二类（阈值技术）在这种情况下，通过这项课题可以给予这些研究简要介绍。
阈分割技术可分为三个不同的类：首先局部技术基于像素和它们临近地区的局部性质。
其次采用全局技术分割图像可以获得图像的全局信息（通过使用图像直方图，例如;全局纹理属性）。
并且拆分，合并，生长技术，为了获得良好的分割效果同时使用的同质化和几何近似的概念。
最后的图像分割，在图像分析的领域中，常用于将像素划分成区域，以确定一个图像的组成[1][2]。
他们提出了一种二维（2-D）的直方图基于多分辨率分析（MRA）的自适应阈值的方法，降低了计算的二维直方图的复杂而提高了多分辨率阈值法的搜索精度。
这样的方法源于通过灰度级和灵活性的空间相关性的多分辨率阈值分割方法中的阈值的寻找以及效率由二维直方图阈值分割方法所取得的非凡分割效果。
实验的结果表明，这种方法可以得到的分割结果与详尽二维直方图方法相类似，而计算复杂度与分辨率等级的增加而呈指数下降[3]。
图像的阈值问题，被视为在图像处理的一个重要问题，它不仅可以减少图像数据，同时也奠定了多目标识别和图像认知提供了良好的基础。
全局阈值分割和局部阈值的字符图像分割进行了分析。
一个新的阈值统计迭代算法，提出要克服的直接阈值，针对一些光照不对称和明显的缺陷，或者更大的数字比例在各种各样的背景灰度图像中。
统计迭代阈值分割，基于图像灰度直方图和高斯分布的统计，获得统计迭代法理论表达和最值得阈值法和步骤。
航空图像通过分别使用统计迭代算法，直方图技术和自适应方法进行阈值分割。
比较三种阈值结果，它表明统计迭代方法大大提高了图像分割的抗噪能力，并且有更好的图像结果，并且不容易在阈值方法中分段[4]。
模糊C均值改进算法和遥感图像分割策略，可以提供较少的迭代次数收敛到全局最优解。
同时，它具有良好的稳定性和鲁棒性。
其良好的分割效果可提高精度和遥感图像阈值分割的效率[5]。
阈值技术可分为两类：全局阈值和局部（自适应）阈值。
在全局阈值中，单个阈值用于整个图像。
在局部阈值，阈值被分配给每个像素，使用周围的象素的局部信息以确定它是属于前景还是背景。
由于简单和容易实施的优点，全局阈值技术一直流行许多年[6] [7] [8]。
2 阈值阈值是广泛地用于图像分割的方法之一，在从背景分离出前景中非常有效，通过选择一个适当的阈值T，将灰度级图像可转换为二进制图像。
二进制图象应该包含所有的兴趣目标（前景）中的位置和形状的基本信息。
二进制图像的优点是它减少了数据的复杂性，并简化了识别和分类的过程。
灰度级图像转换为二进制图像的最常见的方法是选择一个单一阈值（T）。
然后所有低于这个T中的灰度等级值将被归类为黑色（0），高于T的定义为白色（1）。
分割问题变成一个选择合适的阈值T问题。
一个常用的方法适用于选择T是通过分析想要分割的图像的直方图类型。
理想的情况是，当柱状图呈现只有两个主要的模式和清晰的山谷（双峰）。
在这种情况下，T的值被选择在两个模式之间的谷点。
在实际应用中的直方图是更复杂的，具有许多峰和不明确的山谷，所以不总是容易选择T的值。
3自动阈值每个图像由系统自动选择阈值而无需人工干预的方法被称为一个自动阈值方案。
这就要求有关的对象的强度特性、对象的大小、图像中各种不同类型部分出现的目标的级分知识。
4 阈值技术阈值技术是图像分割的重要技术之一。
这种技术可以表示为：T =[X，Y，P（X，Y），f（X，Y] （1）其中：T是阈值。
x，y是所述阈值点的坐标。
P（X，Y），F（X，y）是图中像素点的灰度。
阈值图像g(x,y)可以是如下定义：1(,)g(x,y)=0(,)if f x y T if f x y T >⎧⎨≤⎩（2）这篇文章采用了5种阈值技术：4.1均值技术 该技术中使用的像素的平均值作为阈值，并在严格的情况下即有大约一半到属于目标，而另一半属于背景像素的图像的工作得很好。
这种技术很少发生。
4.2 P-Tile 技术P —Tile 技术使用的知识是所关注对象在整个阈值的图像的面积尺寸。
P —Tile 方法是基于灰度直方图的最早的阈值方法之一[5]。
它假定在图像中的目标比背景更亮，并占据图像面积的固定百分比。
图像区域的这个固定的百分比也被称为P ％。
阈值被定义为大多对应于映射到至少P%上的灰度级到目标的灰度级。
设n 是最大灰度级值，H(i)是图像的直方图（i= 0…n ），而P 是该目标的面积比。
P-Tile 算法方法如下：S=sum (H(i)) (3)Let f=sFor k=1 to n f=f-H(k-1)If (f/t) <p then stopT=k其中：s 的图像总面积，f 是初始化所有区域作为目标区域，T 是最终阈值‘ 此方法操作简单，适合对象的所有尺寸。
它产生良好的抗噪声能力;然而，如果对象面积比率为未知的或从图象变化到图像，这显然是不适用的[6]。
4.3直方图相关技术（HDT ）直方图技术是依赖于估算分隔图像的对象和背景的两个同质区域的阈值的成功。
这就要求，图像组成是两种同质的并且能够存在一个阈值分离这些区域。
所述（HDT ）是适于图像具有很大同质性并且将分离这些区域，其中的对象和背景的面积都是同质的并且不包括对象和背景之间的区域。
这种技术可以表示为：221122C (T) =P ()()P ()()(4)T T T T σσ+其中：C （T ）为所述组内方差。
1P ()T 是组值小于T. 的概率。
2P ()T 是组值小于T 的概率. 21()T σ为像素组的方差小于或等于T 的概率。
22()T σ为像素组的方差大于T 的概率。
4.4 EMT技术使用边缘最大化技术（EMT）的阈值图像被用于当在图象超过一个均匀区域或有目标和背景之间的照明的变化有改变。
在这种情况下，目标的部分可以被合并到背景或者背景可以作为一个目标。
出于这个原因，任何的自动阈值选择技术的性能得都要变得更好在大的同质和分离的区域。
此技术分割取决于有关图像中的最大边缘阈研究并且开始分割有边缘检测技术操作的图像（例如kiresh操作技术）。
4.5可视化技术这些技术改善人们的准确搜索目标项目的能力。
这些技术是类似于另一个使用原始图像的分量区段的P-tile技术，他们以新颖的方式，以提高视觉搜索性能，但是p-tile 是不太有效当不同的噪声中存在于图像中。
5次实验试验验证5.1Testing程序阈值分割，采用（MATLAB R2007a，7.4A）实现并测试了在图1所示的三幅图像分割技术图1.原始图像五种阈值分割技术：平均技术，P-tile技术，可视化技术，HDT技术和EMT技术。
5.2 仿真结果图2. 原始图像阈值从左到右，可视化技术，T =127，平均技术，P-tile T =127，HDT技术与EMT技术。
图3. 原始图像阈值从左到右，可视化技术，T =167，平均技术，P-tile T =167，HDT技术与EMT技术。
图4. 原始图像阈值从左到右，可视化技术，T =43，平均技术，P-tile T =43，HDT技术与EMT技术。
6 结论在本文中，比较适用于研究了5种阈值分割技术的图像方法：平均法，P-tile 法，直方图相关技术（HDT），边缘最大化技术（EMT）和视觉技术在如图所示的三个卫星图像上。
图1.解释与实验进行了不同的技术的HDT和EMT技术分别是用于阈值的技术的图像的最好的技术。
这个结果从图1，2，3得到。
参考文献[1] Gonzalez and Woods, "Digital image processing", 2nd Edition, prentice hall, 2002.[2] Kenneth R. Castelman, "Digital image processing", Tsinghua Univ Press, 2003.[3] Shuqian He, Jiangqun Ni, Lihua Wu, Hongjian Wei , Sixuan Zhao.," Image threshold segmentation method with 2-D histogram based on multi-resolution analysis", Computer Science & Education, ICCSE, 25-28 July 2009, PP.753 – 757, Nanning, China.[4] Guang Yang, Kexiong Chen, Maiyu Zhou, Zhonglin Xu, Yongtian Chen, "Study on Statistics Iterative Thresholding Segmentation Based on Aviation Image," snpd, vol. 2, pp.187-188, Eighth ACIS International Conference on Software Engineering, Artificial Intelligence, Networking, and Parallel/Distributed Computing (SNPD 2007), 2007.[5] Du Gen-yuan,Miao Fang,Tian Sheng-li,Guo Xi-rong.,"Remote Sensing Image Sequence Segmentation Based on the Modified Fuzzy C-means", Journal of Software, V ol. 5, No. 1, PP.28-35, 2009.[6] A.S. Abutaleb, “Automatic Thresholding of Gray-Level Pictures Using Two Dimensional Entropy”, Computer Vision, Graphics, and Image Processing, V ol.47,PP.22-32, 1989.[7] J. Kittler and J. Illingworth, “Minimum Error Thresholding”, Pattern Recognition,V ol.19, No.1, PP.41-47, 1986.[8] K.H. Liang and J.J.W Mao, “Image Thresholding by Minimizing the Measures of Fuzz iness”, Pattern Recognition, V ol.28, No.1, PP.41-51, 1995.[9] F. Samopa, A. Asano.,"Hybrid Image Thresholding Method using Edge Detection", IJCSNS International Journal of Computer Science and Network Security, V ol.9 No.4, PP.292-299, April 2009.最大类间方差算法的图像分割综述2摘要图像分割是数字图像处理的基本方法。