一种新的灰度图像阈值分割方法
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。
otsu算法 阈值分割
otsu算法阈值分割OTSU算法是一种阈值分割算法，在图像处理中起着重要的作用。
本文将详细介绍OTSU算法的原理、步骤和应用。
一、OTSU算法原理OTSU算法基于图像的灰度直方图，通过寻找图像直方图的双峰特征，选择一个合适的阈值对图像进行分割。
其原理可以概括为：将图像分为背景和前景两部分，使得背景和前景两类的类内方差之和最小化。
二、OTSU算法步骤1. 计算灰度直方图：首先，需要计算图像的灰度直方图，统计每一灰度级的像素点个数。
2. 计算总体平均灰度值：使用公式计算图像的总体平均灰度值，通过对每个灰度级的像素点数乘以其对应的灰度值，并将结果相加，最后再除以图像像素总数。
3. 遍历所有可能的阈值：从0到灰度级的最大值，遍历所有可能的阈值，计算对应的类内方差。
4. 计算类内方差：对每个阈值，将图像分为两部分，计算背景和前景的类内方差。
类内方差定义为背景和前景两部分像素点的平均方差之和。
5. 找到最小类内方差对应的阈值：经过上一步骤的遍历，找到使类内方差最小的阈值，即为OTSU算法计算得到的最佳阈值。
三、OTSU算法应用1. 图像二值化：OTSU算法常被用于图像二值化处理，将图像转为黑白二值图像。
通过OTSU算法计算得到的最佳阈值，将图像中的像素点根据阈值分为背景和前景两部分。
2. 图像分割：OTSU算法也可以用于图像分割。
通过将图像根据OTSU算法计算得到的阈值进行分割，可以将图像中感兴趣的物体从背景中分离出来，便于后续处理和分析。
3. 文字识别：OTSU算法在文字识别中具有广泛应用。
通过OTSU算法得到的最佳阈值，可以对图像中的文字区域进行有效分割，提高文字识别的准确性和鲁棒性。
4. 医学图像处理：OTSU算法在医学图像处理中的应用也比较广泛。
通过OTSU算法可以对医学图像进行分割，提取出感兴趣的区域，辅助医生做出准确的诊断。
四、总结OTSU算法是一种基于图像灰度直方图的阈值分割算法，通过寻找使类内方差最小的阈值，将图像分割成背景和前景。
二维otsu法阈值选择
二维Otsu法是一种图像分割算法，能够自适应地选择图像的阈值。
该算法是在Otsu算法基础上，在二维图像上进行的扩展。
一维Otsu法（也称为最大类间方差法）的基本原理是将一幅灰度图像分成两部分，使得每部分的类间方差最大，从而得到最佳的阈值。
与一维Otsu法不同的是，二维Otsu法从图像的全局信息中选择最佳阈值，因此具有更高的鲁棒性和更好的适应性。
实现二维Otsu法的基本步骤如下：1. 对图像进行灰度处理，将彩色图像转换为灰度图像。
2. 计算图像的直方图，即各灰度级别的像素数目。
3. 计算图像的累积分布函数（CDF），即各灰度级别的像素的累计和。
4. 根据CDF计算各灰度级别的均值和方差。
5. 计算各灰度级别的类间方差，选择最大值对应的灰度级别为阈值，用于将图像分割为前景和背景。
需要注意的是，二维Otsu法的实现较为复杂，计算量较大，因此需要在具体应用中结合实际情况进行调优和优化。
在实现二维Otsu法时，需要注意以下几点：1. 对图像进行预处理，如平滑、滤波和缩放等，以提高算法效率和准确度。
2. 根据图像的特点和实际需求，选择合适的灰度级别数目和区间范围，并进行合适的采样和压缩。
3. 对于大尺寸、高分辨率和复杂场景的图像，可以采用分块处理或多层分割等技术来提高算法效率和准确度。
4. 在计算类间方差时，需要进行有效的数据处理和统计方法，以避免过拟合和低通滤波等问题。
5. 在图像分割后，需要进行后续处理，如形态学运算、噪声消除和轮廓提取等，以得到更精确和完整的分割结果。
总的来说，二维Otsu法是一种非常有效和实用的图像分割算法，可以广泛应用于图像处理、计算机视觉和模式识别等领域。
如果您需要更具体的技术细节和应用案例，建议咨询相关专业人士或参考相关文献。
图像分割的常用方法
图像分割的常用方法
1. 阈值分割：根据像素灰度值与预设阈值之间的大小关系将图片分成黑白两个部分，常用于二值化处理。
2. 区域生长：利用像素之间的空间连通关系，从种子像素开始，将与其相邻的像素逐步合并成同一个区域。
3. 全局图像分割：将图像分成多个颜色或灰度级别，然后根据图像亮度、颜色、纹理、空间信息等特征进行分类，常用于分类、检测、识别等任务。
4. 模型分割：使用先前训练好的模型对图像分类和分割。
例如，利用卷积神经网络(CNN) 对图像进行分类和分割。
5. 基于图的分割：将图像转换成图形结构，建立节点之间的连接关系，通过图形算法对图形进行分割。
6. 边缘检测：检测图像中的边缘线条并将其分割出来，常用于目标检测和识别。
7. 水平集分割：该方法使用曲线(水平集) 对图像进行分割，可以在不同曲线之间自由地移动，因此在较复杂的图像中可以得到更好的分割效果。
阈值分割原理
阈值分割原理阈值分割是一种数字图像处理中常用的像素分割方法，其原理主要是基于图像灰度值的统计特性。
其思路是分别统计图像中不同灰度级别的像素个数，通过确定一个灰度值作为阈值，将图像中的像素分成两类，进而实现对图像的分割。
阈值分割的基本原理是通过将图像灰度值分为两个区间，从而将灰度低于或高于阈值的像素分为两类，从而实现图像的二值化处理。
本文将对阈值分割的基本原理、常用的实现方法以及应用进行全面的介绍。
阈值分割的基本原理阈值分割的基本原理是将图像中的像素分为两个部分，一部分为灰度值大于等于阈值的像素，另一部分为灰度值小于阈值的像素。
此时，我们可以将分割出来的灰度值较低的像素赋值为0，灰度值较高的像素赋值为1，从而将其转化为二进制图像。
这种方法通常用于物体检测、图像分割、OCR等领域，其中图像分割是其中应用最为广泛的领域之一。
在将图像进行阈值分割时，需要找到一个合适的阈值。
阈值可以是任何一个位于图像灰度值范围之内的值。
阈值分割方法需要根据具体的场景进行灰度值的筛选，通常可以选择采用迭代法、聚类法、最大间隔法和形态学方法等实现。
1. 迭代法迭代法通常是一种较为常见的方法。
这种方法的基本思路是：先在图像的灰度值范围内随机选取一个阈值，然后对目标二值化图像进行处理，将灰度大于或等于该阈值的像素设为前景像素（白色），将小于该阈值的像素设为背景像素（黑色）。
接着，可以计算出前景和背景的平均灰度值，将其作为新的阈值。
将新阈值作为该算法的输入，重复执行该算法，直到图像中的前景像素和背景像素稳定不变为止。
2. 聚类法聚类法是一种常用的阈值寻找方法。
该方法基于聚类分析的思想，将图像中的像素分为多个簇。
这些簇是按照图像灰度值进行排序的，每个簇的中心都对应一种不同的灰度值。
在这种情况下，我们可以寻找显著区分不同灰度值区间的簇，以确定阈值。
3. 最大间隔法最大间隔法是一种基于统计学原理的方法，它可以有效地找到分离前景像素和背景像素的最佳阈值。
一种新的基于图谱理论的图像阈值分割方法
算
机
学
报
Ｖｏ１ ３ Ｎｏ． １ ． Ｏ
ＣＨＩ ＮＥＳ ＯＵ ＲＮＡＬ ＯＦ ＥＪ ＣＯＭ ＰＵＴＥＲＳ
Ｊ ｎ ２０ ａ． ０ ７
一
种 新 的基 于 图谱 理 论 的 图像 阈值 分 割方 法
陶文兵 金 海
武汉
武汉
（ 中科 技 大 学 计 算 机 学 院 集 群 与 网格 计 算 湖 北 省 重 点 实 验 室 华
（ 中科 技 大 学 计 算 机 学 院 服 务 计算 技 术 与系 统 教 育 部 重 点 实 验 室 华
４０ ７ ） ３０ ４
４０ ７ ） ３０ ４
摘
要
提 出 了一 种 新 的 图像 阈值 分 割 方 法 ， 方法 采 用 图谱 划 分 测 度 作 为 区 分 目标 和 背 景 的 阈 值 分 割 准 则 ． 该 采
Ａ ｗ ｍ ａ ｅ Ｔｈ ｅ ｈ ｌ ｉ ｅ ｈｏ ｓ ｄ ｏ ａ ｈ Ｓ ｃ ｒ ｌＴｈ ｏ ｙ Ｎｅ Ｉ ｇ ｒ ｓ ｏ ｄ ｎｇ Ｍ ｔ ｄ Ｂａ ｅ ｎ Ｇｒ ｐ ｐｅ ｔ ａ ｅ ｒ
ＴＡＯ ｅ — ｉ ｇ Ｊ Ｎ ｉ Ｗ ｎ Ｂ ｎ Ｉ Ｈａ
（ ｌ ｓｅ ｎ ｒ ｄ Ｃ ｍｐ ｔｎ ａ ｏ ａ ｏ ｙ，Ｓ ｈ ｏ ｆ Ｃ ｍｐ ｔｒ Ｃ ｕ ｔｒ ｄ Ｇ ｉ ｏ ｕｉ ｇ Ｌ ｂ ｒ ｔｒ ａ ｃ ｏ ｌ ｏ ｕｅ ，Ｈｕ ｚ ｏ ｇ Ｕ ｉｅ ｓ ｙ ｏ ｃｅ ｃ ｎ ｅｈ ｏｏ ｙ，Ｗｕ ａ ４ ０ ７ ） ｏ ａ ｈ ｎ ｎ ｖ ｒ ｉ ｆ Ｓ ｉ ｅａ ｄ Ｔ ｃ ｎ ｌｇ ｔ ｎ ｈ ｎ ３ ０ ４ （ ｅ ｖ ｃ ｏ ｕ ｉ ｇ Ｔｅｈ ｏｏ ｙａ ｄ Ｓ ｓ ｍ ａ ｏ ａｏ ｙ ｏ ｎ ｓ ｙ ｏ ｄ ｃ ｔｏ Ｓ ｒ ｉｅ ｍｐ ｔ ｃ ｎ ｌｇ ｎ ｙ ｔ Ｌ ｂ ｒ ｔｒ ｆ Ｍｉ ｉ ｒ ｆ Ｅ ｕ ａ ｉｎ， Ｃ ｎ ｅ ｔ Ｈｕ ｚ ｏ ｇ Ｕ ｉｅ ｓｔ ｆ Ｓ ｉｎ ｅ ｎ ｃ ｎ ｌｇ Ｗｕ ａ ４ ０ ７ ） ａ ｈ ｎ ｎ ｖ ｒｉ ｏ ｃ ｃ ｄ Ｔｅｈ ｏｏ ｙ， ｈ ｎ ｙ ｅ ａ ３ ０ ４
otsu阈值分割
otsu阈值分割阈值分割是一种基于灰度模型的图像分割方法，它可以将图像分割为两个部分，一般情况下，背景被认为是一个灰度值低的区域，而目标则是一个灰度值高的区域。
此外，阈值分割也可以用于有多个对象的图像，这时，我们可以对每个对象定义一个灰度值的阈值，以根据灰度值将图像分割为不同的区域，而Otsu阈值分割则是一种比较经典的阈值分割方法，它有以下几个特点：（1）Otsu的阈值分割是自适应的。
它可以自动根据图像的直方图进行阈值分割，无需手动设置阈值；（2）Otsu的阈值分割是最优的。
它可以使图像分割出的二值图有最小的类间方差，这是一个很好的度量指标；（3）Otsu的阈值分割是实时可用的，可以非常快速地将图像分割为二值图；（4）Otsu的阈值分割方法简单易行，经过简单的统计分析，就可以找到最佳的阈值。
2、Otsu阈值分割Otsu阈值分割旨在自动检测最佳二值化阈值，其基本思想是：用信息变差法寻找最佳阈值，将灰度值划分为两类，使类间方差的和最大。
类间方差的和即类间变差熵，用下式表示其中，P（ω）表示灰度级ω的像素的概率，μ0和μ1表示分别在灰度级ω0和ω1后的类均值，而μ表示整幅图像的均值。
由于我们的目标是找到最大信息熵，那么我们只需要将阈值等于使类间变差熵最大的灰度级ω即可，可以将灰度级ω0~ω1这个范围划分为N个灰度级，然后计算每一个灰度级的类间变差熵，并找到使类间变差熵最大的灰度级，就是最佳阈值。
3、实验结果实验采用MATLAB来实现，实验的图像来自于标准的Lena 图像（512*512），使用Otsu阈值分割方法将其分割为黑白两部分，实验结果如下图所示：实验结果：经过Otsu阈值分割，我们得出的最佳阈值为114，可以将图像分割为黑白两部分，分割效果良好。
总结Otsu阈值分割是一种比较经典的阈值分割方法，有很多优秀的特点，在实际应用中有着非常重要的地位，它可以自动找到最佳的阈值，将图像分割为黑白两部分，有效提取图像中的信息。
阈值分割的基本原理
阈值分割的基本原理阈值分割是一种常用的图像处理方法，它通过将图像的像素值与预设的阈值进行比较，将像素值大于或小于阈值的像素分为不同的区域，从而实现对图像的分割。
阈值分割在图像处理和计算机视觉领域有着广泛的应用，例如目标检测、图像增强、边缘检测等。
阈值分割的基本原理是根据图像的灰度值将图像分为不同的区域。
在进行阈值分割之前，需要确定一个合适的阈值。
阈值的选择通常是根据图像的特点和需求而定，可以是固定的常数值，也可以是根据统计学规律自动确定的。
阈值分割的过程可以分为以下几个步骤：1. 灰度化：将彩色图像转换为灰度图像，即将图像的RGB值转换为灰度值。
常见的灰度化方法有平均值法、加权平均法和亮度法等。
2. 阈值选择：根据应用需求选择合适的阈值。
阈值的选择可以是基于经验，也可以是基于图像的统计信息。
常用的阈值选择方法有手动阈值选择、自适应阈值选择和基于图像直方图的阈值选择。
3. 分割：将图像的像素值与选定的阈值进行比较，将大于或小于阈值的像素分为不同的区域。
通常将大于阈值的像素置为白色（或1），将小于阈值的像素置为黑色（或0），从而实现对图像的分割。
4. 后处理：对分割结果进行后处理，以去除噪声、填补空洞或连接断裂的区域。
后处理的方法包括形态学操作、连通域分析等。
阈值分割的优点是简单快速，易于实现。
但是，阈值分割也存在一些问题和限制。
首先，阈值的选择对分割结果有很大的影响，不同的阈值可能导致不同的分割结果。
其次，阈值分割对光照条件和噪声敏感，当图像的光照条件不均匀或存在噪声时，分割结果可能不理想。
此外，阈值分割在处理复杂背景和目标相似的情况下也存在一定的困难。
为了克服阈值分割的局限性，研究人员提出了很多改进的方法。
例如，自适应阈值分割方法可以根据图像的局部特征自动选择阈值，从而适应不同的光照条件和目标特征。
基于图像统计信息的阈值选择方法可以利用图像的直方图、梯度信息等来确定阈值，从而提高分割结果的准确性和鲁棒性。
- 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)。
本来 自第 个子类ｃ。 叫做指标参数 ， 叫做结构参 ， 岛
数。
常 被表 示为 Ｋ维 向量 ０ ： （ ， ， ，， ０ … ０， ０
…
０ ，． Ｋ一１ ）０的 个分量 为零 ， 个 分量 为 １ ＝１ １ 。 所
Ｏ ｓ 图象 分割方 法 是 基 于灰 度 直方 图 分割 方 法 在 的位 置表 示第 ｉ 样本来 自的子类 。 ｔ ｕ的 个 当给 定 了 ， 第 Ｋ 中受 到普 遍 欢迎 的 一 种方 法 ， 在 中 ， ｕ ｔ 人 用 Ｋ ｆａ等 ｉ
维普资讯
西
安
邮
电
学
院
学
报
２０ ０ ２年 ３月
分 布组成 的 ， 两 个子分 布分 别表 示对 象构成 的概率 则 函数取 最小值 ： 这 型的条 件分布 的相关 函数变 为 ：
ｌ ，
一 Ⅳ 分 布和背 景构 成 的概率 分 布 。 这种 假 设 下 ， 台模 Ｊ — （） （） （）一Ｐ （） （） １ ） 一 在 混 （）＝ ｚ ｔ ‰ ｒｚｕ Ⅳ （
数。 用 （ ：１ … ， ） ｉ ， ． 表示第 ｉ １ ｖ 个样本 的指 标 ， 表示
Ｐｌ ａ及其研究人员基于理想图象模型 ， 为一个 认
数字 图象 的灰度 直方 图 是 由两个 服 从 泊 松 分布 的 子
收稿 日期 ：０ １— ７— ９ ２０ ０ ０ 基金项 目： 国家 自然科学基金项 目（ 批准号 ：９７ ０ １ ６９ ２４ ） 作者简介 ： 高雁飞 （９ １一） ， １７ 女 西安邮电学 院计算机系讲 师 ， 硕士研究生。
等价 。
若 假设 变量 （ ， １ … ． 是 相互 独 立 的 ｇ， ｉ＝ ， Ⅳ ）
随机 变量 ， 则给定 ０ ｇ的条件 概率 分布 为 ： 后
最 近 Ｐｌ ａ 等人依 据 Ｄ ｉｌ Ｓ ｏ ａ ｙ和 ｈ ｗ提 出的理 想 图 ｎ 象 的构 造理 论 ． 为假 设 直方 图服 从 泊 松 分 布 比 认 直方 图服从 正态 分 布 在有 些 场 合 更符 合 实 际 。他们 发展 了一 整套 基 于 泊 松 分 布 的 图象 分 割算 法 。 ’ 。 。
维普资讯
２０ ０ ２年 ３月
西
安
邮
电
学
院
学
报
Ｍ ａ ０ ｒ ２ｏ ２
第 ７春
第 １期
Ｊ ＵＲＮＡ Ⅺ ’ Ｏ Ｌ ＯＦ ＡＮ ＮＳ ＩＵ ＯＳ ＳＡＮＤ Ｔ Ｌ ＣＯＭＭＵＮ ＣＡ Ｉ ＮＳ Ｉ ＴＴ ＴＥ ＯＦ Ｐ Ｔ Ｅ Ｅ Ｉ ＴＯ
Ｌｇ －Ⅳ 一 ）＝兀ｐｇ １ ｉ （ －ｇ ｌ ， ０ ， （． Ｏ ）＝
ｉ＝ １
Ｋ
兀 兀 ［ 岛 ］ （ ）
Ｌ １ Ｊ ＝ｔ ＝
本文 我们基 于泊 松分 布意 义 下 的条 件 分 布的最 大相 上式 称为混 合模型 的条 件分 布 的相关 函数 。 如果 我们取 阈值 灰度 分成 二类 ｃ 和 ｃ ， 将 。 ．井认 关原 则 ， 出 了一 个 类 似 于 Ｏｓ 法 的新 的 分割 方 提 ｔ ｕ方
法
为参数 与 阈值有关 ， 则使 得混 合模 型 的条 件分 布的 相
关 函数 取最 大值 的 即为 阈值 。
１ 算法的理论基础 ２ 算法描述
设要讨 论 的数 据集 的类数 为 Ｋ， 第 个子 类 的概
率分布为ｐ ｇ Ｊ ｐ（ ； ， （ ｌ ）＝ ｇ岛）这里岛是一个分布参 ｃ
摘要 ： 设灰度直方 图服从正态分布．＿－ 假 Ｅｚ个子分布 的方差相等 于条件 分布 的最大相 关原 则等价 于 Ｏｓ 基 ｔ ｕ阙值分
割 方法。本 文在友度 直方图服从 泊松分布 的假设 下， 运用条件 分布的 最大相 关原 则提 出 了一种 新的 图象分割 方
法。对四幅 图片进行 分割处理 的实验结果表明 ： 在有些场合新方法的分割 结果优 于 Ｏｓ ｔ ｕ方法。
Ｖ １７ ｏ １ ｏ． Ｎ
文章编号 ：０ ７— ２ ４ ２Ｏ ） １ ０ ０ —０ １０ ３ ６ ｆＯ ２ ０ — ０ １ ４
一
种 新 的灰 度 图像 阈值 分 割方 法
高雁 飞 范 九伦 ，
（ ．西安 邮电学院 计 算机 系， １ 陕西 西安 ７ ０６ ； 西安邮 电学院信息与控 制 系， １０ １２ 陕西 西安 ７ ０６ ） １０ １
关 键 词： 正态分布 ； 泊松 分布 ； 图象分割
文 献 标 识 码 ： Ａ 中 图 分 类 号 ：Ｐ ９ Ｔ３１
第 个样 本属 于子类 的情 况 ， ＝ 当且仅 当第 ｉ 个样
引 论
图象 分割 是图象 分析 中的一个基本 技术 ， 目的 其 是确定 对 象 区域 并 将 对 象 区域 从 图象 中 分割 出来。
Ｍ ∑
●
ＬＧ ０Ｂｆ ＝兀 兀 ［ （１ ； ） （）
… １
Ｌ・
。 （） （ ｆ ）
３ 新分 割 算 法 中各 参数 的含 义 叭 ∑
缸
ｇ ）
厶 厶 ∑ 。 ∑
这里 Ｇ ０ 和 Ｂ ｔ 分 别是 参数 ｇ ０ ｛ ０ｒ ，㈨ 的值 、 （） 、、＾ （）Ａ
个样本的 率值可 概 表示成： ｇ１ ｐ 日 （ ）＝兀Ｐ ； （ 最 大相关 原则 解释 了这种 方 法 ， 出假 设直方 图服从 ｉ 指 Ｉ
＝
正态 分 布且二 个子 分布 的方 差相等 ， 基 于条 件分布 ｅ） 则 ｅ
的最大 相关 原则 的阈值 分 割方 法 与 Ｏ ｓ ｔ ｕ的分 割方 法
构成 的集台 。 对上 式取 对数 ：
１
二 维 图 象 的 灰 度 值 的 统 计 信 息 可 以 用 一 维 直 方
～这 图 Ｈ（ ） 表示 ， ：０， ，… Ｔ Ｈ（ ）表示 幅灰度 ｇ 来 ｇ １２ 。 ０ ｇ
ｚ ０ Ｂ ） ＝ ∑ ∑ ‰ ［ ＾ （ １ ；（ ） Ｇ 一 ）＋ （