一种基于梯度的直方图阈值图像分割改进方法
计算机视觉综述
此时很容易证明下列关系式成立:
W0+W1=1
(12)
定义一个类间的离散度矩阵:
刘健庄等使用SB的迹作为类间离散测度,有
(13)
利用公式(12)化简得：
(14)
类似于一维otsu,最佳阀值( s’, t’)满足下式
从本质上看,阈值分割方法基本上可以分为六大类[1]：
基于熵的方法(entropy-based methods)
基于聚类的方法( clustering-based metho ds)
基于直方图形态的方法( histogram-shape based methods)
基于目标属性的方法( object attribute-based methods)
降低时,分割效果并不理想。
作为信息度量的熵函数无疑是用于图像分割的一个恰当的目标函数。研究人员已提出许多熵阈值分割法,例如基于Shannon熵的阈值分割方法,基于Renyi熵的阈值分割方法、基于Tsallis熵的阈值分割方法等等[1]。这些原始的熵阈值分割法由于只处理灰度直方图,所以通常也被称为一维熵阈值分割法,尽管一维熵阈值分割法非常简单有效,但它对于单峰或者接近于单峰情况下的图像难以进行较好的分割。特别是存在噪声等干扰因素时,一维熵阈值分割法的效果往往很不理想。
改进的Canny算法在直焊缝图像缺陷边缘检测中的应用
改进的Canny算法在直焊缝图像缺陷边缘检测中的应用郝利华;王明泉【摘要】对含有夹渣、气孔和裂纹缺陷的直焊缝X射线图像进行缺陷的边缘检测时,传统的Canny算法虽然可以检测出缺陷的边缘,但具有自适应差和容易出现伪边缘的缺点.提出了一种改进的Canny算法,对经过非极大值抑制后的梯度直方图,利用像素最值梯度和像素最值梯度方差自适应获取连接缺陷边缘所需的高、低阈值;同时也改进了计算梯度图像所需的模板.实验结果证明,改进的Canny算法不仅进一步抑制了噪声,也避免了伪边缘的出现,在保留缺陷的边缘细节方面具有良好的效果.%When defect edge detection is conducted to the X-ray image of a straight weld with clamp slag,pores and cracks,the traditional Canny algorithm,though being able to detect edge defects, is poorly adaptable and prone to false edges. An improved Canny algorithm is presented in this paper, suppressing gradient histogram of pixels by non-maximal value,and the required high and low threshold are adaptively acquired to connect defect edges by using the maximal pixel gradient and the maximal gradient variance;it also improves the template for image gradient calculation. The experimental results show that the improved Canny algorithm not only restrains the noise,but also avoids false edges,and has favorable effect on retaining details of defect edge details.【期刊名称】《火力与指挥控制》【年(卷),期】2017(042)007【总页数】4页(P52-55)【关键词】改进Canny算法;边缘检测;像素最值梯度方差【作者】郝利华;王明泉【作者单位】中北大学仪器科学与动态测试教育部重点实验室,太原 030051;中北大学信息与通信工程学院,太原 030051;中北大学仪器科学与动态测试教育部重点实验室,太原 030051;中北大学信息与通信工程学院,太原 030051【正文语种】中文【中图分类】TP391随着科学技术的发展，焊接钢管已广泛应用在工业生产的各个领域，焊缝质量的检测也成为决定产品质量的关键因素。
计算机视觉技术的图像处理方法
计算机视觉技术的图像处理方法图像处理是计算机视觉技术中的一个重要环节，它涉及到对图像进行获取、分析、处理和呈现的过程。
在计算机视觉技术的发展中，图像处理方法起着至关重要的作用，它可以帮助我们实现图像质量改善、特征提取、目标检测等一系列任务。
本文将介绍几种常用的图像处理方法，包括图像滤波、边缘检测、图像分割和图像增强。
首先，图像滤波是一种常用的图像处理方法，它可以帮助我们去除图像中的噪声，提高图像质量。
常见的图像滤波方法包括均值滤波、中值滤波和高斯滤波。
均值滤波是最简单的滤波方法之一，它通过计算像素周围邻域的平均值来实现去噪。
中值滤波则是通过计算像素周围邻域的中值来去除图像中的椒盐噪声。
而高斯滤波则是通过将像素周围邻域与高斯核进行卷积来平滑图像。
图像滤波方法有助于消除图像中的噪声，提高后续图像分析和处理的准确度。
其次，边缘检测是基于计算机视觉的图像处理方法之一，它可以帮助我们提取图像的边缘信息，从而实现目标检测、图像分割等任务。
常见的边缘检测方法包括Sobel算子、Canny算子和Laplacian算子。
Sobel算子可以通过计算像素周围邻域的梯度来提取图像的边缘信息。
Canny算子是一种更为复杂的边缘检测方法，它通过一系列步骤来实现边缘检测，包括高斯滤波、计算图像梯度、非极大值抑制和双阈值处理。
Laplacian算子则可以通过计算图像的二阶导数来提取边缘信息。
边缘检测方法可以帮助我们提取图像的重要特征，为后续的图像分析和处理提供便利。
第三，图像分割是计算机视觉中的一个重要任务，它可以帮助我们将图像分割成若干个子区域，从而实现对图像中目标的提取和分析。
常见的图像分割方法包括阈值分割、区域生长和基于边缘的方法。
阈值分割是一种简单但有效的图像分割方法，它通过设置一个阈值来将图像中的像素分为不同的类别。
区域生长则是一种基于像素邻近性的图像分割方法，它从一个或多个种子点开始，逐步生长分割出图像中的不同区域。
图像处理中的图像分割算法改进方法
图像处理中的图像分割算法改进方法图像分割是图像处理领域中的重要任务，它旨在将一幅图像划分为一组具有相似特征的区域。
对图像进行有效的分割可以提取出感兴趣的目标，并为后续的图像分析和理解提供基础。
然而，由于图像中存在复杂的噪声、背景干扰以及目标形状和大小的差异，图像分割任务一直面临着挑战。
为了进一步提高图像分割的性能，研究人员提出了许多改进方法。
本文将介绍几种常见的图像分割算法改进方法，并讨论它们的原理和优缺点。
一、区域生长算法区域生长算法是一种基于类似区域像素特征的图像分割方法。
该算法从一组种子点出发，逐步生长和合并具有相似特征的像素。
该方法的主要优点是对不同大小、形状和纹理的目标具有较好的适应性。
然而，传统的区域生长算法容易受到噪声和纹理差异的影响，导致分割结果不准确。
为了改进该方法，研究人员提出了以下几种改进方法：1.多特征融合：将像素的多个特征（如颜色、纹理、梯度等）融合起来进行区域生长。
通过融合不同特征，可以减轻单一特征带来的误差，提高分割的准确性。
2.自适应阈值选择：传统的区域生长算法中，阈值通常是手动设置的，无法适应不同图像的特点。
采用自适应的阈值选择方法，可以根据图像的特征动态地选择合适的阈值，从而提高分割的鲁棒性。
3.分层分割策略：将图像分割任务分为多个层次，通过逐层分割和合并来获取更精确的结果。
这种策略可以提高分割的效率和准确性，并适用于大规模图像的处理。
二、基于深度学习的图像分割算法随着深度学习的快速发展，基于深度学习的图像分割算法在近年来取得了巨大的成功。
深度学习模型能够学习到图像的高级特征表示，从而提高分割的准确性和鲁棒性。
以下是几种常见的基于深度学习的图像分割算法：1.卷积神经网络（CNN）：CNN是一种常用于图像分割的深度学习模型。
通过多层卷积和池化操作，CNN可以学习到图像的局部和全局特征，从而实现像素级别的分割。
然而，传统的CNN在处理细节和形状复杂的目标时存在一定的困难，因此研究人员提出了一些改进的网络结构。
基于梯度特征的图像自动分割方法
的效率 和 准确性 以 降低 虚 警 、 检 的关键 是屏 蔽 陆 漏
地 区域 。
度信息 。通 常陆 地 区域 图像 的 灰度 层 次 较 为 丰 富 ，
由于遥 感 图像 具有 监控 范 围广 、 时效快 等优 点 ， 近年 来在 海洋 监测 ， 事救 援 ， 海 污染监 控等 方 面得到
越来 越广 泛 的应 用 ， 别是 海上 目标 检测 、 特 监视 。通
图像 没 有经 过辐 射 校 正 ， 图像 灰 度级 较 暗或 者 陆 地
与海 面灰 度级 相差 不大 时利用 阈值分 割并 不能 很好 地将 陆地 与海 域分 开 ， 阈值 的 自动 选 取 也 得不 到准 确 பைடு நூலகம்结果 。 即使 不存 在 上 述 问题 ， 由于 陆 地 上 存在
要 的 处 理 工 作 。传 统 的采 用 阈值 分 割 方 法 分 离 陆地 ， 是 这 种 方 法 对 于 陆 地 上 灰 度 级 较 低 区 域 容 易 造 成 误 分 割 。 但 而 且 ， 显 然 的 不 能 够 充 分 利 用 图像 中 的灰 度 变 化 信 息 ， 很 即梯 度 。为 此 提 出 了一 种基 于 梯 度 特 征 的海 陆 分 割 算 法 。
的边缘 连通 。在 形 态 学 处理 后 再 进 行 边 缘 连 通 、 提
取， 通过 阈值判 定连 通 区域是 主体 陆 地 区域 Ａ。 或
这是 陆地 与海域 的一 个 显 著 区 别 ， 于 海 陆 分割 是 对
一
海 岸线 提取 实质 上是 图像 分割 之一种 。 目前 海
医学图像处理中的边缘检测与分割算法
医学图像处理中的边缘检测与分割算法边缘检测与分割是医学图像处理中的重要部分，被广泛应用于疾病诊断、医学影像分析和手术辅助等领域。
边缘检测算法用于提取图像中的边缘信息，而分割算法则可以将图像划分为不同的区域，有助于医生对图像进行进一步分析和诊断。
一、边缘检测算法在医学图像处理中，常用的边缘检测算法包括基于梯度的方法、基于模型的方法和基于机器学习的方法。
1. 基于梯度的方法基于梯度的边缘检测算法通过计算图像中像素点的梯度值来确定边缘位置。
常用的算法包括Sobel算子、Prewitt算子和Canny算子。
Sobel算子是一种常用的离散微分算子，通过在图像中对每个像素点应用Sobel算子矩阵，可以得到图像的x方向和y方向的梯度图像。
通过计算梯度幅值和方向，可以得到边缘的位置和方向。
Prewitt算子与Sobel算子类似，也是一种基于梯度的边缘检测算子。
它通过将图像中的每个像素点与Prewitt算子矩阵进行卷积运算，得到图像的x方向和y方向的梯度图像。
进一步计算梯度幅值和方向，可以确定边缘的位置和方向。
Canny算子是一种经典的边缘检测算法，它采用多步骤的方法来检测边缘。
首先，对图像进行高斯滤波来减少噪声。
然后，计算图像的梯度幅值和方向，进一步剔除非最大值的梯度。
最后，通过设置双阈值来确定真正的边缘。
2. 基于模型的方法基于模型的边缘检测算法借助数学模型来描述边缘的形状和特征。
常用的算法包括基于边缘模型的Snake算法和基于边缘模型的Active Contour算法。
Snake算法（也称为活动轮廓模型）是一种基于曲线的边缘检测算法。
它通过将一条初始曲线沿着图像中的边缘移动，使得曲线更好地贴合真实边缘。
Snake算法考虑了边缘的连续性、平滑性和能量最小化，可以获得较为准确的边缘。
Active Contour算法是Snake算法的进一步发展，引入了图像能量函数。
通过最小化能量函数，可以得到最佳的边缘位置。
Active Contour算法可以自动调整曲线的形状和位置，适应复杂的图像边缘。
一种改进的阈值分割算法在复合材料图像处理中的应用
第 ５卷 第 ４期
江 南 大 学 学 报（ 然 科 学 版） 自
Ｊ ｕ ｎ ｌ ｆＳ ｕ ｈ ｒ ｎ ｔｅＵｎｖ ｒ ｉ （ ｔ ｒ ｌＳ ｉｎ ｅＥ ｉｉｎ） ｏ ｒ ａ ｏ ｔ ｅ ｎ Ｙａ ｇｚ ｉｅ ｓｔ Ｎａ ｕ ａ ｃｅ ｃ ｄ ｔｏ ｏ ｙ
ｔ ｒ ｓ ｏ ｄｎ ｈ ｅ ｈ ｌ ｉｇ
为 了更 好地 研 究 纤 维增 强 复 合 材 料 的 性能 ， 设 计者 通常会 拍摄 一 组 材料 微 观 结 构 图 片 ， 以分 析材
景噪声 严重 等 问题 ． 了能 从 图 片 中获 取更 多 的材 为
料 结构 信息 ， 同时便 于 后 续 的图像 分 析 和机 器 识 别 工作 ， 必须 对 图像 进 行 有 效 处 理 ， 图 片 中的 纤 维 将
模糊 逻辑 系统 ， 理计 算 出像 点的 最佳 分割 阁值． 合 实验 结果证 明 了算 法的 有效 性． 关键 词 ：阈值 分 割 ； 糊 逻辑 ； 模 纤维增 强复 合材 料 ； 大熵 算法 最
中图分 类 号 ： Ｐ ３ １ ４ Ｔ ９ ．１ 文献 标识 码 ： Ａ
Ａｎ Ｉ ｐ ｏ ｅ ｍ ｒ ｖ ｄ Ｔｈｒ ｓ ｏ ｄ Ｓ ｇ ｅ ａ ｉ ｎ Ａｌ ｏ ｉｈｍ ｎ ｔ ｅ ｈ ｌ ｅ ｍ ｎｔ ｔｏ ｇ ｒ ｔ ａ ｄ Ｉ ｓ Ａｐｐｌｃ ｔｏ ｎ ｍ ａ ｅ ｉａ ｉ ｎ ｉ Ｉ ｇ
Ｋｅ ｒ ｓ ｔ ｒｓ ｏｄ ｓ ｇ ｅ ｔ ｔｏ ｆ ｚ ｙ ｌ ｇｃ ｆｂ ｒ ｒ ｉｆ ｒ ｅ ｏ ｐ ｓｔｓ ｍ ａ ｉ ｅ ｔｏ ｙ ｙｗｏ ｄ ： ｈ ｅ ｈ ｌ ｅ ｍ ｎ ａ ｉｎ ｕ ｚ ｏ ｉ； ｉｅ － ｅｎ ｏ ｃ ｄ ｃ ｍ ｏ ｉｅ ； ｘｍ ｎ ｒ ｐ
Ｖ０ ． Ｎｏ ４ １５ ．
基于轮廓的图像分割算法优化研究
基于轮廓的图像分割算法优化研究在数字图像处理领域中，图像分割是一项基本的任务和挑战。
图像分割是将图像分成多个部分或区域的过程。
图像分割可以应用于许多应用程序，如医学图像分析、计算机视觉、图像识别和广告等领域。
图像分割方法根据其分割结果和计算复杂度的不同可以分为区域生长、边缘检测和基于轮廓的图像分割算法。
区域生长方法使用像素相似性度量来生成一组连通区域。
边缘检测方法将图像分割成与对象边缘匹配的区域。
而基于轮廓的图像分割算法则是在检测到对象边缘的基础上进一步分割图像。
对于提高基于轮廓的图像分割算法的准确性和实现效率，研究学者提出了许多优化方法。
下面将分别介绍这些优化方法。
1. 梯度计算优化技术梯度计算是基于轮廓的图像分割的关键步骤，他们提供图像中有关对象边缘的信息。
近年来，许多学者提出了优化算法，以最小化梯度计算的计算复杂度和提高准确性。
例如，Hildreth提出了使用高斯滤波器的方法来降低梯度计算的计算复杂度。
2. 直方图统计优化技术直方图统计是基于轮廓的图像分割中的重要步骤，可以根据图像的整体亮度和对比度自适应调整图像的分割阈值。
许多研究人员尝试了许多优化直方图统计方法。
例如，Zhang提出了一种改进的局部自适应阈值方法，该方法可以在保留图像细节的同时提高阈值效果。
3. 分割融合优化技术分割融合是将多个分割结果合并为单个分割结果的过程。
这种方式可以提高分割结果的准确性和鲁棒性。
学者们提出了许多分割融合的方法，如比例化平均融合方法、最小方差融合方法、模糊C均值聚类融合方法和模糊PID控制融合方法。
4. 特征提取优化技术在基于轮廓的图像分割算法中，特征提取非常重要，这可以明确描述对象的特征。
许多优化技术已经提出来以提高对象特征的提取方式。
例如，许多研究人员提出了特征提取方法，如形状描述、纹理特征描述、傅里叶描述和Gabor描述等。
5. 模型选择优化技术模型选择是选择与对象特征最匹配的图像分割模型的过程。
- 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)。
一种基于梯度的直方图阈值图像分割改进方法刘俊吴谨（武汉科技大学信息科学与工程学院，湖北武汉，430081）摘要：图像分割就是把图像分成一些具有不同特征而有意义的区域，以便进一步的图像分析和理解；图像增强就是从主观方面突出图像中有用的，感兴趣的细节部分，或是从客观方面改善图像质量，尽可能地逼近真实图像。
分析了基于经典的灰度阈值图像分割在细节分割上的不足，结合图像增强中的微分梯度，对原有图像的细节进行锐化增强，从而达到改善分割后图像细节的效果。
关键词：图像分割；图像增强；直方图；阈值；梯度；中图分类号：TP391.41 文献标志码：文章编号：A数字图像处理的基础是图像分割，图像分割同时也是进行计算机自动识别和人工智能的桥梁，长期以来图像分割一直都是数字图像处理领域的一个经典难题。
经典的图像分割算法，诸如：直方图分割与阈值分割的方法具有实现简单、计算量小、性能较稳定等特点。
通常，它们是利用图像的灰度直方图的分布特征,找出灰度直方图分布的两波峰之间的波谷，选定恰当的阈值将图像分割开，然而这种分割方法依赖于图像灰度的分布，对灰度分布不呈双峰特征或复杂背景的图像,往往会造成错误分割[1][2]。
1 基于灰度直方图的阈值分割利用图像灰度直方图的特性确定分割阈值方法的原理是如果图像所包括的背景区域与所分的目标区域大小可比，而且两者在灰度上有着明显的区别，那么这样的图像的灰度直方图就会呈现很明显的双峰状。
这样，其中一个峰值对应的是背景区域的灰度；而另一个峰值就对应的目标灰度了。
理想的中的图像的灰度直方图，其背景灰度和目标灰度应对应两个不同的灰度峰值，所以选取位于两峰之间的谷值作为阈值，就很快地将一幅图像的背景与目标分割开了[3]。
如图1~3：图1 原始灰度图像图2 图像灰度直方图图3 分割后的图像2 经典分割方法的不足经典直方图阈值分割方法的优点在于实现简单，但是这只是针对少数不同类别物体彼此灰度相差很大时，才能进行有效的分割。
当原始图像的灰度直方图的双峰不明显时，分割后得不到理想的图像。
图4是原始Lena图像，图5是利用传统灰度直方图阈值分割结果。
从图6可以看出在部分区域（如脸部、右边背景）分割效果较好，但是部分区域的细节部分（如帽子、头发等）未能将图像边界完整分割开来。
图4 原始灰度图像图5 图像灰度直方图图6 分割后的图像由此看来，经典直方图阈值分割方法缺点也非常明显：当图像中存在不明显的灰度差异或当灰度范围有较大重叠时，将很难得到准确的结果；其次，由于它仅仅只考虑了图像的灰度而不考虑其空间信息，因此对图像的噪声灰度很敏感。
所以，在实际的运用中，总是将其与其它方法结合起来使用[4]。
3 基于图像增强的分割改进算法图像增强就是按照人们主观上对理想图像的要求，对原有图像进行锐化或平滑处理，使之达到改善图像质量的实际应用要求。
本图像为增强图像的细节就得将原始图像进行锐化，图像的边缘细节与图像上梯度的整体强度有关，图像边缘越强，图像的细节效果越明显。
梯度图像能够更好地适应图像边缘的变化快慢，边缘检测也常用各种微分算子来提取图像的边界。
图像边界信息更多地是高频信号，这与梯度有更大的关系，因此对保存有完整图像边界信息的图像进行梯度锐化后分割更加合理。
假设图像),(yxf在),(yx处的梯度定义为[5][6]：⎪⎪⎪⎪⎭⎫⎝⎛∂∂∂∂=⎪⎪⎭⎫⎝⎛=yyxfxyxfffyxgradyx),(),(),(''(1)由于梯度是一个矢量，所以起其方向和在该方向上的大小为[5][6]：22''),(),(),()),(),(arctan()arctan(⎪⎪⎭⎫⎝⎛∂∂+⎪⎭⎫⎝⎛∂∂=∂∂∂∂==yyxfxyxfyxgradxyxfyyxfffyxθ(2)对于一幅图像中突出的，变化快的边缘区，其梯度值较大；而对与非边缘信号，其梯度值较小。
这样由上面的梯度算子就可以增强图像的细节部分，需保留低频信号，与原图像的信息进行叠加，其中添加一个锐化系数，如下：),(),(),(yxgradkyxfyxg⨯+=(3),f为原始图像，用来保存图像的原始背景信息；)(yxgrad为原)x(y,x(y,g为增强后的图像；)始图像梯度，为图像的锐化细节信息；k为锐化系数，用于调节锐化的强度。
这样调整k值的大小，就使得原有图像在细节部分更具有突出性[7~10]。
4 实验图7为2=k时原始图像与其梯度值进行叠加后的结果，图8是在原阈值上对图像重新进分割后的结果：图7 k=2细节增强图像图8 k=2增强后原阈值分割图像图9为5k时原始图像与其梯度值进行叠加后的结果，图10是在原阈值上对图像重新进分割后=的结果。
图9 k=5细节增强图像图10 k=5增强后原阈值分割图像可以看出来，随着k值的增加，图像的锐化程度的提高，分割后图像人物的头发、眼睛等细节都被完整的分割出来。
对比图6的分割效果，增强后处理的图像效果有了明显改善。
梯度不仅是一种重要的数学运算，在图像增强中也是突出细节信息的一种重要方法。
图像梯度可以有效减少输入图像信号的零频和低频成份，提取或突出灰度图像的边缘和细节，从而提高图像的分辨率和识别率。
该方法对复杂灰度图像的细节部分具有较好的分割效果，而且计算增加不多，并且同时可以应用于灰度图像与彩色图像，能较好地克服了传统阈值分割方法的缺点。
但在进行的图像锐化增强的过程中发现，随着k值的增加，梯度锐化强度的增加，不仅增强原始信息的的同时也放大了高频噪声，表现为图像经过分割后，背景中出现明显的毛刺噪声[11][12]。
参考文献：[1] 王磊．多维Otsu方法在图像分割中的研究[D]．山东师范大学硕士学位论文，2009[2] 黄玥．复杂背景下的灰度图像分割算法研究[D]．太原理工大学硕士学位论文，2008[3] 范九伦，雷博．二维直线型最小误差阈值分割法[J]．电子与信息学报，2009, 8(29): 1801~1806[4] 冯涛，方建安，常学义．一种直方图分段逼近的图像分割方法[J]．上海第二工业大学学报，2007, 9(24)：196~200[5] 秦剑，李林，李绍明等．基于梯度的图像分割新方法[J]．计算机应用，2009(8): 2071~2073[6] 韩冰，高俊钗，雷鸣．梯度图像的阈值选取[J]．科学技术与工程，2008, 8(8): 4661~4663[7] Wen-Xiong Kang; Qing-Qiang Yang; Run-Peng Liang. The Comparative Research on Image Segmentation Algorithms [J]. Education Technology and Computer Science, First International Workshop on V olume 2, 2009, 3(2):703 - 707[8] Tilton, J.C. Analysis of hierarchically related image segmentations[J]. Advances in Techniques for Analysis of Remotely Sensed Data, 2003 IEEE Workshop on 27-28 Oct. 2003 Page(s):60 - 69[9] Asmare, M.H. Asirvadam, V.S. Izhar, L.I. Image enhancement: A composite image approach using contourlet transform[J]. Electrical Engineering and Informatics, 2009. International Conference on V olume 01, 5-7 Aug. 2009 Page(s):135 - 140[10] Gilboa, G.. Sochen, N. Zeevi, Y.Y. Image enhancement and denoising by complex diffusion processes[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on V olume 26, Issue 8, Aug. 2004 Page(s):1020 - 1036[11] 季虎，孙即祥，邵晓芳等．图像边缘提取方法及展望[J]．计算机工程与应用，2004(14): 70~73[12] 曾嘉亮．基于边缘检测的图像锐化算法[J]．现代电子技术，2006(12): 90~91A Histogram Threshold V alue Image Segmentation Improvement Method Based onthe GradientLiu Jun Wu Jin（Information science and Engineering academe, Wuhan University of Science and Technology ,Wuhan 430081, China）Abstract：The Image Segmentation is dividing the image into some different characteristic and meaningful parts, so that it can be further implemented the Image Analysis and Understanding; The Image Enhancement is poping out the images’ usefu l and interested details from the subjectivity or improving the image quality from the objectivity to approache the real image as far as possible. It analyzed the disadvantages about the threshold value Image Segmentation in the detail segmentation, and combined the Gradient in the Image Enhancement, to sharpen the details on the original image, so that it can be improved the impact of the image after the Image Segmentation.Key words: Image Segmentation; Image Enhancement; Histogram; Threshold value; Gradient;作者简介：刘俊（1985-），男，武汉科技大学硕士研究生，主要研究方向：图像处理与图像分析.吴谨（1967-），女，武汉科技大学教授，博士生导师，研究方向：图像处理与模式识别，多源成像传感器信息融合，多媒体通信，自动检测技术与装置。