图像阈值分割技术原理和比较要点
图像处理中的阈值分割算法
图像处理中的阈值分割算法图像处理是一种广泛应用的技术，涉及到计算机视觉、人工智能、医学影像处理等领域。
而阈值分割算法是图像处理中的基础算法之一，其应用广泛，包括图像二值化、图像增强、图像去噪等等。
阈值分割算法的原理阈值分割算法本质上是将图像分为两个部分，其中一部分是我们希望得到的目标图像，另一部分则是我们不需要的背景或者噪声。
阈值本身就是用于区分这两个部分的分类标准，当像素值高于阈值时，该像素点被分类为目标图像，而低于阈值时则被分类为背景或噪声。
通常情况下，我们需要调整阈值的大小来达到最佳的效果。
常见的阈值分割算法下面我们来介绍几种常用的阈值分割算法：1. 简单阈值法简单阈值法是最基本的阈值分割算法，其步骤非常简单：首先选择一个阈值，将图像分为两类，然后计算每类的像素平均值，再将两者的平均值求平均作为一个新的阈值，不断迭代，直到得到一个稳定的结果。
这种方法简单易行，但是对于噪声敏感，效果不稳定。
2. Otsu算法Otsu算法是一种自适应阈值分割算法，也是比较常见的一种算法。
它的基本思路是寻找一个最佳的阈值，使得目标图像和背景图像的类内方差最小，而类间方差最大。
3. 自适应阈值法自适应阈值法是一种基于局部图像特征的分割方法，其思路是将图像分成若干个子区域，然后在子区域内分别计算阈值，最后通过叠加的方式得到整张图像的最终阈值。
这种算法适用于逐渐变化的光照情况下的图像分割。
4. 谷底阈值法谷底阈值法是一种基于图像梯度的分割方法，其思路是通过找到图像梯度的最大值和最小值来确定阈值位置。
该算法适用于较大的、均匀亮度的图像分割。
总结阈值分割算法是一种广泛应用的图像处理方法，其优点是简单易行，但是缺点也很明显，对于噪声和不稳定的光照情况下准确性有限。
因此，在应用中需要根据具体情况选择对应的算法，以达到最佳的图像分割效果。
阈值分割的原理
阈值分割的基本原理阈值分割是一种常见的图像处理技术，用于将图像中的目标与背景分开。
其基本原理是通过设定一个阈值，将图像中的像素根据其灰度值与阈值的大小关系进行分类，从而实现目标和背景的分割。
1. 灰度图像转换在进行阈值分割之前，首先需要将彩色图像转换为灰度图像。
这是因为彩色图像包含了RGB三个通道的信息，而在阈值分割中只考虑灰度信息。
灰度图像可以通过对彩色图像进行加权平均来获得。
常见的加权平均方法有亮度法和平均法。
亮度法通过计算每个像素点的RGB通道值的加权平均来得到灰度值：Gray = 0.299 * R + 0.587 * G + 0.114 * B其中R、G、B分别表示红、绿、蓝三个通道的取值。
2. 设定阈值设定阈值是阈值分割中最重要的一步。
阈值可以根据应用需求来确定，也可以通过试验找到最佳结果。
在设定阈值时，需要考虑两个因素：目标与背景的灰度差异和图像中的噪声。
如果目标与背景之间的灰度差异较大，可以选择较低的阈值；如果图像中存在较多噪声，可以选择较高的阈值。
设定阈值的常见方法有手动设定、直方图分析和自适应阈值法。
•手动设定：用户根据经验或直觉选择一个合适的阈值。
这种方法简单直接，但需要用户对图像有一定了解。
•直方图分析：通过分析图像的灰度直方图来确定一个合适的阈值。
可以根据直方图上的波峰和波谷来确定分割点。
•自适应阈值法：根据图像局部区域内的灰度特性来自适应地确定阈值。
常见的方法包括基于均值、基于局部方差和基于最大类间方差等。
3. 分割操作在设定了阈值之后，就可以对图像进行分割操作了。
分割操作将图像中所有像素点根据其灰度与设定阈值的大小关系进行分类。
通常情况下，将大于或等于阈值的像素点归为一类（目标），将小于阈值的像素点归为另一类（背景）。
分割操作可以通过以下公式表示：Binary(x, y) = {1, if Gray(x, y) >= Threshold; 0, if Gray(x, y) < Threshold}其中，Binary(x, y)表示二值图像中坐标为(x, y)的像素点的值，Gray(x, y)表示灰度图像中对应像素点的灰度值，Threshold表示设定的阈值。
otsu阈值分割
otsu阈值分割Otsu阈值分割是一种基于图像的自动阈值选择算法，用于将图像分割成前景和背景两部分。
该分割方法可以有效地抑制不同灰度级的像素混合，并克服Kittler阈值分割算法存在的一些缺点。
二、阈值分割原理1. 什么是阈值分割？阈值分割是一种图像处理算法，用于将一幅图像中的像素分割成前景和背景两部分，以便更容易对图像进行分析。
2. 如何选择阈值？选择阈值的方法有很多种，主要有：经验法：根据对图像的实际感知，经验地确定最佳的阈值。
用户设定法：根据用户的需求，设定一个阈值来分割图像。
自动阈值选择法：根据图像的直方图和其他信息，自动选择一个最佳的阈值。
三、Otsu阈值分割Otsu阈值分割是一种自动阈值选择算法，它可以根据图像的灰度直方图和其他信息，自动选择一个最佳的阈值进行分割。
它是为了克服Kittler阈值分割算法存在的一些缺点而发明的。
1. Otsu阈值分割的基本原理Otsu阈值分割的目标是寻找一个使两个灰度级的像素混合最小的阈值。
因此，它的基本原理如下：（1）假定图像只有两个灰度级，即前景和背景；（2）计算图像的灰度直方图，分别计算前景和背景像素的期望；（3）遍历每一个阈值，计算前景和背景两个灰度级的标准差；（4）计算前景和背景两个灰度级的混合，并取最小值；（5）得到的最小值就是最优阈值。
2. Otsu阈值分割的优势与Kittler阈值分割算法相比，Otsu阈值分割算法有以下优势：减少噪声：Otsu阈值分割算法可以有效地抑制不同灰度级的像素混合，从而更好地抑制噪声；提高分割准确度：Otsu阈值分割算法可以根据图像的灰度直方图，自动选择一个最佳的阈值，从而提高分割准确度；支持多种分割方式：Otsu阈值分割算法不仅可以支持二值分割，还可以支持多值分割，甚至可以使用多个阈值进行多次分割。
四、总结Otsu阈值分割是一种自动阈值选择算法，它可以根据图像的灰度直方图和其他信息，自动选择一个最佳的阈值进行分割。
图像阈值分割及去噪的实现
在去噪过程中，如何平衡去噪效果和细节保留是一大挑战。过度去噪 可能导致图像细节丢失，而保留细节又可能无法有效去除噪声。
计算效率
现有的阈值分割和去噪算法往往计算复杂度较高，难以满足实时处理 的需求。
适应性
对于不同类型的图像（如自然图像、医学图像等），现有的方法可能 无法达到理想的分割和去噪效果。
常用的阈值分割算法有
全局阈值分割、自适应阈值分割、Otsu阈值分割等。
02 去噪技术
去噪的基本概念
01
02
03
去噪
从带噪声的信号中提取出 纯净信号的过程。
噪声
对信号的干扰，通常表现 为图像中的随机像素值变 化。
噪声来源
图像获取、传输过程中可 能引入的随机误差或异常 值。
去噪的原理
滤波
通过数学运算对图像像素 值进行平滑处理，减少噪 声。
阈值分割实例
灰度阈值分割
将灰度图像转换为二值图像，通 过设定一个阈值将像素点分为两 类，通常用于突出图像的边缘或
特定区域。
Otsu阈值法
基于灰度直方图的统计特性，自 动确定最优阈值进行分割，适用 于背景和前景有较大灰度差异的
情况。
自适应阈值分割
根据图像局部的灰度分布动态确 定阈值，能够更好地处理光照不
THANKS FOR WATCHING
感谢您的观看
图像阈值分割及去噪的实现
contents
目录
• 图像阈值分割 • 去噪技术 • 阈值分割与去噪的结合 • 实例分析 • 结论与展望
01 图像阈值分割
阈值分割的基本概念
01
阈值分割是一种简单有效的图像 分割方法，通过设定一个阈值， 将图像的像素点分为两类或多类 ，从而实现图像的分割。
阈值分割学习.pptx
o )
P
P1(Z)
E1(Zt)
P2(Z) E2(Zt)
Zt
Z
从前面可以看出，假如：
① 图像的目标物和背景象素灰度级概率呈正态分布，
② 且偏差相等(σ12 = σ22)， ③ 背景和目标物象素总数也相等(θ＝1/2)，
则这个图像的最佳分割阈值就是目标物和背景象素灰度级
两个均值的平均。
第16页/共25页
Otsu法是一种使类间方差最大的自动确定阈值的方法，该方法具有 简单、处理速度快的特点。
Otsu法阈值分割的基本思想是：
设图像像素为N，灰度范围为[0，L-1],对应灰度级i的像
素为ni，概率为： pi ni / N
选定阈值T把图像中的像素分成两个灰度级C0和C1，C0由灰度值在
[0，T]之间的像素组成，C1由灰度值在[T+1，L-1]之间的像素组成,由
T
第9页/共25页
2.迭代阈值选择
迭代阈值选择方法的基本思想是：
开始时选择一个阈值作为初始估计值，然后按照某种策略不断的改进 这一估计值，直到满足给定的准则为止。 迭代阈值选择方法的步骤：
1. 选择一个初始估计值T（建议初始估计值为图像中最大亮度值和最 小亮度值的中间值）。
2. 使用T分割图像。这会产生两组像素：亮度值≥T的所有像素组成 的G1，亮度值<T的所有像素组成的G2。
灰度分布概率，整个图像的均值为：T
L 1
i pi
i0
C0和C1的均值为：0
T i0
ipi
0
1Байду номын сангаас
L1 ipi
iT 1
1
其中：
T
0 pi i0
L1
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。
计算机视觉中的像分割算法
计算机视觉中的像分割算法计算机视觉领域中，像分割（Image Segmentation）算法是一种重要的图像处理技术，其主要目标是将图像中的像素根据某些特定的标准进行分类和分割，从而实现对图像的理解和解释。
像分割算法在许多应用中具有广泛的应用，如目标跟踪、医学影像分析等。
本文将介绍计算机视觉中常用的像分割算法，并对其原理、优缺点进行探讨。
一、阈值分割算法阈值分割算法是一种简单而常用的像分割技术，其基本原理是根据像素的灰度值与预先设定的阈值进行比较，将像素分为不同的类别。
阈值分割算法具有计算简单、速度快等优点，但对光照条件敏感，且需要手动选择合适的阈值。
在实际应用中，阈值分割算法通常用于处理对比度较高的图像，如机器视觉中的零件检测。
二、区域生长算法区域生长算法是一种基于像素相似度的像分割技术，其基本思想是从少数种子点开始，将与种子点相邻且符合某些相似性准则的像素合并成为一个区域。
区域生长算法能够自动选择合适的分割阈值，但对于纹理复杂、颜色变化较大的图像，其分割效果可能不理想。
三、边缘检测算法边缘检测算法是一种基于图像边缘信息的像分割技术，其基本原理是通过检测图像中的边缘像素，将图像分割为不同的区域。
常用的边缘检测算法包括Sobel、Prewitt、Canny等。
边缘检测算法对于纹理复杂或者边缘不明显的图像有较好的适应性，但可能会对噪声比较敏感，需要进行适当的降噪处理。
四、基于聚类的分割算法基于聚类的分割算法是一种将图像中的像素分为若干簇的像分割技术，其基本思想是通过对像素的特征进行聚类，将相似的像素归为一类。
常用的聚类算法包括K-Means、Mean Shift等。
基于聚类的分割算法能够较好地处理纹理复杂、颜色变化较大的图像，但对于分割结果的准确性和效率需要进行一定的权衡。
五、深度学习在像分割中的应用近年来，深度学习在计算机视觉领域中取得了巨大的突破，其在像分割任务中的应用也日益成熟。
基于深度学习的像分割算法通过使用卷积神经网络（Convolutional Neural Network, CNN）等模型，能够从图像中学习到更高层次的特征表达，从而实现更准确的像素分类和分割。
图像阈值分割技术原理和比较讲解
图像阈值分割和边缘检测技术原理和比较摘要图像分割是一种重要的图像分析技术。
对图像分割的研究一直是图像技术研究中的热点和焦点。
医学图像分割是图像分割的一个重要应用领域，也是一个经典难题，至今已有上千种分割方法，既有经典的方法也有结合新兴理论的方法。
医学图像分割是医学图像处理中的一个经典难题。
图像分割能够自动或半自动描绘出医学图像中的解剖结构和其它感兴趣的区域，从而有助于医学诊断。
阈值分割是一种利用图像中要提取的目标物与其背景在灰度特性上的差异，把图像视为具有不同灰度级的两类区域（目标和背景）的组合，选取一个合适的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生对应的二值图像。
本文先介绍各种常见图像阈值分割和边缘检测方法的原理和算法，然后通过MATLAB 程序实现，最后通过比较各种分割算法的结果并得出结论。
关键词：图像分割；阈值选择;边缘检测；目录1.概述 (4)2.图像阈值分割和边缘检测原理 (4)2.1.阈值分割原理 (4)2.1.1．手动（全局）阈值分割 (5)2.1.2．迭代算法阈值分割 (6)2.1.3．大津算法阈值分割 (6)2.2.边缘检测原理 (6)2.2.1．roberts算子边缘检测 (7)2.2.2．prewitt算子边缘检测 (7)2.2.3．sobel算子边缘检测 (7)2.2.4．高斯laplacian算子边缘检测 (8)2.2.5．canny算子边缘检测 (8)3.设计方案 (9)4.实验过程 (10)4.1.阈值分割 (12)4.1.1．手动（全局）阈值分割 (12)4.1.2．迭代算法阈值分割 (12)4.1.3．大津算法阈值分割 (12)4.2.边缘检测 (13)4.2.1．roberts算子边缘检测 (13)4.2.2．prewitt算子边缘检测 (13)4.2.3．sobel算子边缘检测 (13)4.2.4．高斯laplacian算子边缘检测 (13)4.2.5．canny算子边缘检测 (14)5.试验结果及分析 (14)5.1．实验结果 (14)5.1.1．手动（全局）阈值分割 (14)5.1.2．迭代算法阈值分割 (17)5.1.3．大津算法阈值分割 (18)5.1.4．roberts算子边缘检测 (19)5.1.5．prewitt算子边缘检测 (20)5.1.6．sobel算子边缘检测 (21)5.1.7．高斯laplacian算子边缘检测 (22)5.1.8．canny算子边缘检测 (23)5.2. 实验结果分析和总结 (24)参考文献 (24)1.概述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的区域，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的不同[37]．简单的讲，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。
- 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)。
图像阈值分割和边缘检测技术原理和比较摘要图像分割是一种重要的图像分析技术。
对图像分割的研究一直是图像技术研究中的热点和焦点。
医学图像分割是图像分割的一个重要应用领域，也是一个经典难题，至今已有上千种分割方法，既有经典的方法也有结合新兴理论的方法。
医学图像分割是医学图像处理中的一个经典难题。
图像分割能够自动或半自动描绘出医学图像中的解剖结构和其它感兴趣的区域，从而有助于医学诊断。
阈值分割是一种利用图像中要提取的目标物与其背景在灰度特性上的差异，把图像视为具有不同灰度级的两类区域（目标和背景）的组合，选取一个合适的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生对应的二值图像。
本文先介绍各种常见图像阈值分割和边缘检测方法的原理和算法，然后通过MATLAB 程序实现，最后通过比较各种分割算法的结果并得出结论。
关键词：图像分割；阈值选择;边缘检测；目录1.概述 (4)2.图像阈值分割和边缘检测原理 (4)2.1.阈值分割原理 (4)2.1.1．手动（全局）阈值分割 (5)2.1.2．迭代算法阈值分割 (6)2.1.3．大津算法阈值分割 (6)2.2.边缘检测原理 (6)2.2.1．roberts算子边缘检测 (7)2.2.2．prewitt算子边缘检测 (7)2.2.3．sobel算子边缘检测 (7)2.2.4．高斯laplacian算子边缘检测 (8)2.2.5．canny算子边缘检测 (8)3.设计方案 (9)4.实验过程 (10)4.1.阈值分割 (12)4.1.1．手动（全局）阈值分割 (12)4.1.2．迭代算法阈值分割 (12)4.1.3．大津算法阈值分割 (12)4.2.边缘检测 (13)4.2.1．roberts算子边缘检测 (13)4.2.2．prewitt算子边缘检测 (13)4.2.3．sobel算子边缘检测 (13)4.2.4．高斯laplacian算子边缘检测 (13)4.2.5．canny算子边缘检测 (14)5.试验结果及分析 (14)5.1．实验结果 (14)5.1.1．手动（全局）阈值分割 (14)5.1.2．迭代算法阈值分割 (17)5.1.3．大津算法阈值分割 (18)5.1.4．roberts算子边缘检测 (19)5.1.5．prewitt算子边缘检测 (20)5.1.6．sobel算子边缘检测 (21)5.1.7．高斯laplacian算子边缘检测 (22)5.1.8．canny算子边缘检测 (23)5.2. 实验结果分析和总结 (24)参考文献 (24)1.概述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的区域，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的不同[37]．简单的讲，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的领域之一，它是对图像进行视觉分析和模式识别的基本前提．同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准。
阈值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．已被应用于很多的领域，例如，在红外技术应用中，红外无损检测中红外热图像的分割，红外成像跟踪系统中目标的分割；在遥感应用中，合成孔径雷达图像中目标的分割等；在医学应用中，血液细胞图像的分割，磁共振图像的分割；在农业工程应用中，水果品质无损检测过程中水果图像与背景的分割。
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、识别的前提，分割的准确性将直接影响后续任务的有效性，其中阈值的选取是图像阈值分割方法中的关键技术。
图像分析和理解的第一步常常是边缘检测。
边缘检测方法是人们研究得比较多的一种方法，它通过检测图像中不同区域的边缘来达到分割图像的目的。
边缘检测的实质是采用某种算法来提取出图像中对象与背景问的交界线。
我们将边缘定义为图像中灰度发生急剧变化的区域边界。
图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。
经典的边缘检测方法，是通过对原始图像中像素的某小邻域构造边缘检测算子来达到检测边缘这一目的。
2.图像阈值分割和边缘检测原理2.1.阈值分割原理对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范围之中的灰度阈值，然后将图像中各个像素的灰度值都与这个阈值相比较，并根据比较结果将对应的像素分为两类。
这两类像素一般分属图像的两类区域，从而达到分割的目的。
阈值分割算法主要有两个步骤：（1）确定需要的阈值；（2）将分割阈值与像素值比较以划分像素。
可以看出，确定一个最优阈值是分割的关键。
现有的大部分算法都是集中在阈值确定的研究上。
阈值分割方法根据图像本身的特点，可分为单阈值分割方法和多阈值分割方法：也可分为基于像素值的阈值分割方法、基于区域性质的阈值分割方法和基于坐标位置的阈值分割方法．若考虑分割算法所用的特征或准则的特点，还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松弛法、模糊集法等。
在这里我们只介绍手动阈值分割（又称双峰阈值分割或者全局阈值分割），迭代算法阈值分割，大津法（OTSU 法）阈值分割。
2.1.1．手动（全局）阈值分割手动阈值分割算法，由于工作原理是用一个手动设定的灰度阈值对整个图像做分割，进而产生二值图像，所以又称全局分割算饭，同时这种分割算法对于图像灰度直方图呈双峰分布时比较有效，故又称双峰分割算法。
若图像中目标和背景具有不同的灰度集合：目标灰度集合与背景灰度集合，且两个灰度集合可用一个灰度级阈值T 进行分割。
这样就可以用阈值分割灰度级的方法在图像中分割出目标区域与背景区域，这种方法称为灰度阈值分割方法。
在物体与背景有较强的对比度的图像中，此种方法应用特别有效。
比如说物体内部灰度分布均匀一致，背景在另一个灰度级上也分布均匀，这时利用阈值可以将目标与背景分割得很好。
如果目标和背景的差别是某些其他特征而不是灰度特征时，那么先将这些特征差别转化为灰度差别，然后再应用阈值分割方法进行处理，这样使用阈值分割技术也可能是有效的 设图像为f(x,y)，其灰度集范围是[0,L]，在0和L 之间选择一个合适的灰度阈值T ，则图像分割方法可由式（2.1）描述 （2.1）这样得到的g(x,y)是一幅二值图像。
这时T 的大小将直接影响分割的效果。
由于这种分割算法适用范围有限，而且要手动设定灰度阈值，过程复杂而且有时灰度阈值不易寻找，进而出现了自动阈值分割，主要是迭代算法和大津算法（OTSU ）阈值分割。
⎩⎨⎧=T < y)f(x, 0T > y)f(x, 1),(if if y x g2.1.2．迭代算法阈值分割迭代算法是对双峰法的改进，它首先选择一个近似阈值T，将图像分割成两个部分G1和G2，然后计算G1和G2像素的平均灰度值m1和m2，选择新的分割阈值T= T = (m1 + m2) / 2;重复以上步骤，知道T不变为止。
迭代法适合图像直方图有明显波谷。
迭代算法是基于逼近的思想，其主要步骤如下：1.为全局阈值选择一个初始估计值T(图像的平均灰度)。
2.用T分割图像。
产生两组像素：G1有灰度值大于T的像素组成，G2有小于等于T 像素组成。
3.计算G1和G2像素的平均灰度值m1和m2；4.计算一个新的阈值:T = (m1 + m2) / 2;5.重复步骤2和4,直到连续迭代中的T值间的差小于一个预定义参数为止。
然后再用阈值分割对图像进行分割得到二值灰度图像。
2.1.3．大津算法阈值分割大津法（OTSU）是一种确定图像二值化分割阈值的算法，由日本学者大津于1979年提出。
从大津法的原理上来讲，该方法又称作最大类间方差法，因为按照大津法求得的阈值进行图像二值化分割后，前景与背景图像的类间方差最大。
对于图像f(x,y)，前景(即目标)和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1。
图像的总平均灰度记为μ，类间方差记为g。
假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有：ω0=N0/ M×N (1)ω1=N1/ M×N (2)N0+N1=M×N (3)ω0+ω1=1(4)μ=ω0*μ0+ω1*μ1 (5)g=ω0(μ0-μ)^2+ω1(μ1-μ)^2 (6)将式(5)代入式(6),得到等价公式:g=ω0ω1(μ0-μ1)^2 (7)这就是类间方差采用遍历的方法得到使类间方差g最大的阈值T,即为所求。
然后再用所得到的T进行全局阈值分割得到二值图像。
2.2.边缘检测原理图像分析和理解的第一步常常是边缘检测。
边缘检测方法是人们研究得比较多的一种方法，它通过检测图像中不同区域的边缘来达到分割图像的目的。
边缘检测的实质是采用某种算法来提取出图像中对象与背景问的交界线。
我们将边缘定义为图像中灰度发生急剧变化的区域边界。
图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。
经典的边缘检测方法，是通过对原始图像中像素的某小邻域构造边缘检测算子来达到检测边缘这一目的。
2.2.1．roberts算子边缘检测函数的梯度定义为通常把梯度的模叫做图象的梯度。
对于数字图象，可以用差分来近似微分roberts算子模板的形式就是2.2.2．prewitt算子边缘检测Prewitt算子由两部分组成，检测水平边缘的模板和检测垂直边缘的模板。
对数字图像f(x，y)，Prewitt算子的定义如下：水平方向Gx=[f(i-1,j-1)+f(i-1,j)+f(i-1，j+1)]-[f(i+1,j-1)+f(i+1，j)+f(i+1，j+1)] 垂直方向Gy=[f(i-1,j+1)+f(i,j+1)+f(i+1，j+1)]-[f(i-1,j-1)+f(i,j-1)+f(i+1，j-1)] G(i,j)=|Gx|+|Gy|。
经典Prewitt算子认为：凡灰度新值大于或等于阈值的像素点都是边缘点。
即选择适当的阈值T，若G(i,j)≥T，则G(i,j)为边缘点。
这种判定是欠合理的，会造成边缘点的误判，因为许多噪声点的灰度值也很大，而且对于幅值较小的边缘点，其边缘反而丢失了。
2.2.3．sobel算子边缘检测Sobel算子也有两个，一个是检测水平边缘的模板，另一个是检测水平边缘的模板。