基于阈值的图像分割方法
图像分割 实验报告
图像分割实验报告图像分割实验报告一、引言图像分割是计算机视觉领域中的一个重要研究方向，它旨在将一幅图像分割成具有语义意义的不同区域。
图像分割在许多应用中发挥着关键作用，如目标检测、场景理解和医学图像处理等。
本实验旨在探索不同的图像分割方法，并对其进行比较和评估。
二、实验方法本实验选择了两种常用的图像分割方法：基于阈值的分割和基于边缘的分割。
首先，我们使用Python编程语言和OpenCV库加载图像，并对图像进行预处理，如灰度化和平滑处理。
接下来，我们将详细介绍这两种分割方法的实现步骤。
1. 基于阈值的分割基于阈值的分割是一种简单而常用的分割方法。
它通过将图像像素的灰度值与预先设定的阈值进行比较，将像素分为前景和背景两类。
具体步骤如下：（1）将彩色图像转换为灰度图像。
（2）选择一个适当的阈值，将图像中的像素分为两类。
（3）根据阈值将图像分割，并得到分割结果。
2. 基于边缘的分割基于边缘的分割方法是通过检测图像中的边缘来实现分割的。
边缘是图像中灰度变化剧烈的区域，通常表示物体的边界。
具体步骤如下：（1）将彩色图像转换为灰度图像。
（2）使用边缘检测算法（如Canny算法）检测图像中的边缘。
（3）根据边缘信息将图像分割，并得到分割结果。
三、实验结果与讨论我们选择了一张包含多个物体的彩色图像进行实验。
首先，我们使用基于阈值的分割方法对图像进行分割，选择了适当的阈值进行实验。
实验结果显示，基于阈值的分割方法能够将图像中的物体与背景分离，并得到较好的分割效果。
接下来，我们使用基于边缘的分割方法对同一张图像进行分割。
实验结果显示，基于边缘的分割方法能够准确地检测出图像中的边缘，并将图像分割成多个具有边界的区域。
与基于阈值的分割方法相比，基于边缘的分割方法能够更好地捕捉到物体的形状和边界信息。
通过对比两种分割方法的实验结果，我们发现基于边缘的分割方法相对于基于阈值的分割方法具有更好的效果。
基于边缘的分割方法能够提供更准确的物体边界信息，但也更加复杂和耗时。
简述 otsu 算法的原理和步骤。
简述 otsu 算法的原理和步骤。
OStsu 算法是一种基于阈值分割的图像去噪算法,其基本原理是在原始图像上选取一个阈值,将像素值低于该阈值的像素设置为噪声,将像素值高于该阈值的像素设置为清晰的图像。
具体步骤如下:
1. 选取一个阈值 T = 255/n,其中 n 是像素值的范围。
2. 计算像素值差 U = (P - Q) / n,其中 P 和 Q 分别是清晰的图像和噪声的图像的像素值,n 是像素值的范围。
3. 将像素值 U 小于等于阈值 T 的像素设为噪声,即 N(T, U) = {(U, V)},其中 V 表示该像素值下的样本集合,V 的索引从 1 到 n。
4. 将像素值 U 大于阈值 T 的像素设置为清晰的图像,即 C(T, U) = {(X, Y)},其中 X 和 Y 表示该像素值下的样本集合,X 的索引从 1 到 n,Y 的索引从 1 到 n。
5. 将像素值 U 介于阈值 T 和 255/n 之间的像素设置为噪声,即 N(T, U) = {(U, V)},其中 V 表示该像素值下的样本集合,V 的索引从 1 到 n。
6. 重复步骤 3 到步骤 5,直到所有像素都被划分为清晰和噪声两部分。
7. 返回清晰和噪声的图像集合 C(T, U) 和 N(T, U)。
OStsu 算法的优点在于简单易用,能够快速地去掉大量的噪声,
同时保持图像的基本特征。
但是其缺点在于对于低光照环境下的图像可能会失效,并且在处理高分辨率图像时需要更多的计算资源。
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
基于阈值的图像分割
2.4 双阈值方法 在许多应用中，属于物体的某些灰度值是已知的。然而，可能还有一些灰度 值或者属于物体，或者属于背景。在这种情况下，人们可能使用一个保守一点的 阈值T1 来分离物体图像，称之为图像物体核。然后，使用有关算法来增长物体图 像。 增长物体图像的方法取决于特定的应用，通常使用另一个阈值来吸收哪些图 像核像素的邻接像素，或用图像强度特性（如直方图）来决定属于物体区域上的 那些点， 一种简单的方法是吸收低于第二个阈值T2 并且与原先物体图像点相连接 的所有点。下面是区域增长的双阈值算法。 (1) 选择两个阈值T1 和T2 ； (2) 把图像分割成三个区域：R1 ，包含所有灰度值低于阈值T1 的像素；R 2 ，包含 所有灰度值位于阈值T1 和T2 之间的像素；R 3 ，包含所有灰度值高于阈值T2 的 像素； (3) 查看分配给区域R 2 中的每一个像素。如果某一像素邻接区域R1 ，则把这一像 素重新分配给R1 。 (4) 重复步骤(3)直到没有像素被重新分配。 (5) 把区域R 2 剩下的所有像素重新分配给R 3 。
1 图像分割的定义 图像分割是指将图像中具有特殊含义的不同区域分开来， 这些区域是互不相 交的，每一个区域都满足区域的一致性。已知一幅图像像素集 I 表示成 n 个区域 R i 集合的一种划分： (1)
n i=1 R i
= I，即所有子区域组成了整幅图像。
(2) 对所有的 i 和 j，i≠j，有R i ∩ R i =Φ ，即分割结果中的子区域是互不重叠的。 (3) P(R i )=True，即同一区域内的点具有一定的相似性。 (4) P(R i ∪ R i )=False，即任何两个相邻区域不能合并成单一区域。 (5) 对 i=1,2,…,N，R i 是连通的区域，即同一个子区域中的像素应当是连通的。 一致性谓词 P(̇•)定义了在区域R i 上的所有点与区域模型的相似程度。
医疗影像处理中的图像分割算法使用方法与技巧
医疗影像处理中的图像分割算法使用方法与技巧医疗影像处理是一种应用广泛的技术，为临床诊断和治疗提供了重要支持。
在医疗影像中，图像分割是一个关键的步骤，它能够将影像中的不同区域或结构进行提取，为医生提供更准确的信息。
图像分割算法的使用方法和技巧对于提高分割效果具有重要意义。
本文将介绍医疗影像处理中常见的图像分割算法及其使用方法与技巧。
一、基于阈值的图像分割算法基于阈值的图像分割算法是最简单和最常用的方法。
它通过设定一个或多个阈值来将图像分割为不同的区域。
在医疗影像处理中，通过选择适当的阈值，我们可以将感兴趣的区域从背景中分离出来，例如分割出肿瘤或器官。
在使用基于阈值的算法进行图像分割时，以下几点技巧是需要注意的：1. 预处理：在进行图像分割之前，通常需要对图像进行一些预处理操作，例如去噪、增强对比度等。
这样可以提高分割的结果质量。
2. 自适应阈值：在某些情况下，图像中的亮度和对比度可能会发生变化。
为了应对这种情况，可以使用自适应阈值的算法，根据图像不同区域的统计信息来选择合适的阈值。
3. 多阈值分割：有时候，一个阈值无法对图像进行有效分割。
这时可以尝试使用多阈值分割算法，根据不同的阈值对图像进行多次分割，然后结合结果。
二、基于边缘的图像分割算法基于边缘的图像分割算法是利用图像中的边缘信息来分割图像的一种常见方法。
边缘是图像中灰度值变化较大的地方，通过检测图像中的边缘，可以将物体与背景分离出来。
以下是使用基于边缘的图像分割算法时的几个技巧：1. 边缘检测：为了得到图像的边缘信息，需要使用边缘检测算法，例如Canny算法、Sobel算法等。
在使用这些算法时，需要调整参数，以得到最佳的边缘检测结果。
2. 边缘连接：边缘检测算法有时会产生不连续的边缘线段。
为了得到完整的边缘，需要对边缘进行连接操作，将不连续的线段连接起来。
3. 边缘融合：在某些情况下，图像中的边缘可能会有重叠或交叉的情况。
为了解决这个问题，可以使用边缘融合算法，将重叠的边缘进行合并，提高分割的准确性。
图像处理中的图像分割算法比较分析
图像处理中的图像分割算法比较分析图像分割是图像处理中的一项重要任务，它旨在将图像划分为具有一定语义的区域。
图像分割在图像分析、计算机视觉和模式识别等领域有着广泛的应用。
随着技术的发展，越来越多的图像分割算法被提出，为了选择合适的算法进行应用，本文将对目前常用的图像分割算法进行比较分析，包括基于阈值、基于区域生长、基于边缘检测和基于深度学习的算法。
1. 基于阈值的图像分割算法基于阈值的图像分割算法是最简单和最常用的方法之一。
该方法根据像素点的灰度值与设定的阈值进行比较，将图像分割成两个或多个区域。
对于灰度较为均匀的图像，基于阈值的方法能够得到较好的分割效果。
然而，对于灰度不均匀或存在噪声的图像，这种方法的效果较差。
2. 基于区域生长的图像分割算法基于区域生长的图像分割算法是一种基于连通性的方法。
该方法从一组种子像素出发，根据一定的生长准则逐步增长区域，直到达到停止条件为止。
区域生长方法能够处理一些复杂的图像，但对于具有相似颜色或纹理特征的区域容易产生错误的连续性。
3. 基于边缘检测的图像分割算法基于边缘检测的图像分割算法把图像中的边缘看作是区域之间的分界线。
常用的边缘检测算法包括Sobel、Canny和Laplacian等。
这些算法通过检测图像中的灰度值变化或梯度变化，找到边缘的位置，并将图像分割成相应的区域。
基于边缘的方法对于边缘清晰的图像分割效果较好，但对于复杂的图像容易产生断裂或错误的边缘。
4. 基于深度学习的图像分割算法近年来，随着深度学习的兴起，基于深度学习的图像分割算法成为研究热点之一。
深度学习方法利用卷积神经网络（CNN）或全卷积网络（FCN）等模型进行端到端的图像分割。
这些方法能够学习图像中的语义信息，并输出像素级别的分割结果。
深度学习方法在许多图像分割任务上取得了显著的效果，但需要大量的标注数据和计算资源。
综上所述，不同的图像分割算法适用于不同的场景和任务需求。
基于阈值的图像分割算法简单易用，适用于灰度较均匀的图像；基于区域生长的算法能够处理复杂的图像，但容易产生错误的连续性；基于边缘检测的算法对于边缘清晰的图像效果较好；基于深度学习的算法具有较强的泛化能力，可应用于多种场景。
医疗图像处理中的图像分割方法教程
医疗图像处理中的图像分割方法教程医疗图像处理是近年来发展迅速的领域，它利用计算机技术对医学图像进行处理和分析，为医生提供准确的诊断和治疗方案。
而图像分割作为医疗图像处理的重要组成部分，旨在将医学图像中的对象从背景中区分出来，以提供更详细、更准确的信息。
在医疗图像处理中，图像分割方法具有不可忽视的重要性。
以下将介绍一些常用的医疗图像分割方法，以帮助读者更好地理解和应用。
1. 基于阈值的分割方法基于阈值的分割方法是图像处理中最简单、最直观的一种方法。
它假设图像中的目标与背景具有明显的灰度差异，并通过设置合适的阈值来分割图像。
在医疗图像处理中，可以利用生理特征或者病灶的灰度分布来确定阈值，帮助准确地分割出病变区域。
2. 基于边缘检测的分割方法基于边缘检测的分割方法通过检测图像中的边缘来实现分割。
边缘是图像中灰度变化明显的位置，可以有效区分目标与背景。
常用的边缘检测算法包括Sobel算子、Canny算子等。
通过这些算法可以提取出图像中的边缘信息，然后将目标与背景分离。
3. 基于区域生长的分割方法基于区域生长的分割方法是一种基于灰度值相似性的分割方法。
它从种子点开始，通过逐渐生长的方式将相似灰度值的像素点合并到一个区域中，直到满足一定的停止标准。
这种方法可以有效地处理医疗图像中的噪音和弱边缘问题，得到更加准确的分割结果。
4. 基于图像统计特征的分割方法基于图像统计特征的分割方法利用图像中不同区域的统计特征来实现分割。
例如，可以利用均值、方差、纹理等特征来描述不同区域的差异，并根据这些差异进行分割。
这种方法可以克服基于灰度值的分割方法在处理复杂医学图像时的缺陷，并得到更准确的分割结果。
5. 基于机器学习的分割方法基于机器学习的分割方法利用先前已知的标记样本训练分类器，然后将分类器应用于待分割图像中。
常用的机器学习算法包括支持向量机、决策树、神经网络等。
通过这些算法可以将图像中的像素点分为不同的类别，从而实现图像的分割。
基于阈值的分割算法
基于阈值的分割算法
阈值分割算法是一种将图像分割成两个或多个区域的方法，其中区域的选择基于像素的灰度值与预先定义的阈值之间的关系。
基本的阈值分割算法包括简单阈值分割、自适应阈值分割和多阈值分割等。
- 简单阈值分割是指通过比较每个像素的灰度值与一个预先定
义的固定阈值来进行划分。
如果像素的灰度值大于阈值，则被分配到一个区域；如果小于阈值，则分配到另一个区域。
- 自适应阈值分割是指根据图像的局部特征来确定每个像素的
阈值。
这种方法通常用于处理具有不均匀光照条件下的图像。
常见的自适应阈值分割方法包括基于局部平均值、基于局部中值和基于统计分布的方法。
- 多阈值分割是指将图像划分为多个区域，每个区域都有一个
不同的阈值。
这种方法常用于处理具有多个目标或具有复杂纹理的图像。
阈值分割算法在图像处理中广泛应用，可以用于边缘检测、目标提取、图像分割等任务。
但是，阈值的选择对算法的性能至关重要，不同的图像和任务可能需要不同的阈值选择方法。
因此，在应用阈值分割算法时需要进行参数调整和优化才能得到最佳的分割结果。
- 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)。
基于阈值的图像分割方法课程结业论文课题名称基于阈值的图像分割方法姓名湛宇峥学号1412202-24学院信息与电子工程学院专业电子信息工程指导教师崔治副教授2017年6月12日湖南城市学院课程结业论文诚信声明本人郑重声明：所呈交的课程结业论文，是本人在指导老师的指导下，独立进行研究工作所取得的成果，成果不存在知识产权争议，除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写过的作品成果。
对本文的研究做出重要贡献的个人和集体均已在文中以明确方式标明。
本人完全意识到本声明的法律结果由本人承担目录摘要 (1)关键词 (1)ABSTRACT (2)KEY WORDS (2)引言 (3)1基于点的全局阈值选取方法 (4)1.1最大类间交叉熵法 (5)1.2迭代法 (6)2基于区域的全局阈值选取方法 (7)2.1简单统计法 (8)2.3 直方图变化法 (9)3局部阈值法和多阈值法 (10)3.1水线阈值算法 (11)3.2变化阈值法 (12)4仿真实验结论 (12)参考文献 (13)附录基于阈值的图像分割方法摘要：图像分割多年来一直受到人们的高度重视，至今这项技术也是趋于成熟，图像分割方法类别也是不胜枚举，近年来每年都有上百篇有关研究报道发表。
图像分割是由图像处理进到图像分析的关键环节，是指把图像分成各具特性的区域并提取出有用的目标的技术和过程。
在日常生活中，人们对图片的要求也是有所提高，在对图像的应用中，人们经常仅对图像中的某些部分感兴趣，这些部分就对应图像中的特定的区域，为了辨识和分析目标部分，就需要将这些有关部分分离提取出来，因此就要应用到图像分割技术。
关键词：图像分割；阈值；matlabBased on thresholding for image segmentation methodsAbstract：Image segmentation is a indispensable part of image processing and analysis, have important practical significance.It is according to the needs of image processing and analysis of the image into each area and extract the characteristic of technology and process of interested target.Image segmentation methods and types have a lot of different categories, some segmentation operation can be directly applied to all images, while others can only apply to special image.The purpose of this paper is to through the collection of image segmentation method based on threshold related information, analysis the advantages and disadvantages of various segmentation algorithm, using the MATLAB tools to threshold segmentation algorithm is studied.Keywords:image segmentation; The threshold value; matlab引言在现代科学中，随着计算机科学技术的不断发展，人们在日常生活中对图像信息的需求急剧暴涨，人们对图像得要求也越来越高，p图软件，美颜相机等等也是越来越受大众喜爱，对此，数字图像处理技术在近年来也是得到了迅速的发展和改进，成为当下学科领域的热门焦点。
图像分割是图像识别和计算机视觉至关重要的预处理。
没有正确的分割就不可能有正确的识别。
但是，进行分割仅有的依据是图像中像素的亮度及颜色，由计算机自动处理分割时，将会遇到各种困难。
例如，光照不均匀、噪声的影响、图像中存在不清晰的部分，以及阴影等，常常发生分割错误。
因此图像分割是需要进一步研究的技术。
人们希望引入一些人为的知识导向和人工智能的方法，用于纠正某些分割中的错误，是很有前途的方法。
图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。
图像分割的方法也是不胜枚举。
其中阈值法就是一种传统而又简单实用的图像分割方法，也是最基础和最广泛的分割方法。
这些方法都广泛应用于各个领域，比如，红外技术应用，医药技术应用，农业工程技术应用，工业产业等行业。
1：基于点的全局阈值选取方法1.1最大类间交叉熵法在取阈值分割中，一般要求月至的选取要使分割的目标与背景尽可能的差异，假设图像有目标1和背景2两类像素，可以用交叉熵来度量目标和背景间的差异，将这种类间差异性用原始图像p 中的个像素点S 判决到目标和背景两类区域的两个后验概率p(1/s),p(2/s)之间的交叉熵的平均值表示，通过最大化将像素点判决到不同的区域的后验概率来求最优的阈值。
在这里，我们设X 是一幅具有L 级灰度级的图像，其中第i 级像素为i N 个，其中i 的值在0~L-1之间，图像的总像素点个数为：第i 级出现的概率为：N N P i i =∑-==10L i i N N图像的总平均灰度级为：0C 类像素所占面积的比例为：1C 类像素所占面积的比例为：01-=ωω10C 类像素的平均灰度为：000=ωμμ/)()(k k1C 类像素的平均灰度为：111=ωμμ/)()(k k其中，∑-==10L i iiP μ∑-=0=1k i iP ω∑-=0=1)(k i iiP k μ∑-=01-==1)(1)(L ki i k iP k μμ则类间方差公式为：22)()()(01002-+-=μμωμμωδk1.2迭代法迭代法求阈值的原理： 基于逼近的思想，步骤如下： 1． 求出图象的最大灰度值和最小灰度值，分别记为ZMAX 和ZMIN ，令初始阈值T0=(ZMAX+ZMIN)/2；2． 根据阈值TK 将图象分割为前景和背景，分别求出两者的平均灰度值ZO 和ZB 3． 求出新阈值TK+1=(ZO+ZB)/2； 4． 若TK=TK+1，则所得即为阈值；否则转2，迭代计算。
2：基于区域的全局阈值选取方法2.1简单统计法简单统计法是一种基于简单的图像统计的基础阈值选取方法。
阈值通过简单统计法可以直接计算得到，从而避免了去分析灰度直方图。
该方法的计算公式为()()()∑∑∑∑=xyxy y x e y x f y x e T ,,,(8)其中， (){}y x e e y x e ,max ,=()()y x f y x f e x ,1,1+--=()()1,1,+--=y x f y x f e y2.2 直方图变化法实际的说，直方图的谷底是非常理想的分割阈值，现实很难操作，而且在实际应用中，图像也会受到噪声等其他环境等的影响从而使其直方图上原本分离的峰之间的谷底被填充，或者目标和背景的峰相距很近或者大小差不多。
直方图变化的基本思想是利用一些像素领域的局部性质对原来的直方图进行变换已得到一个新的直方图，对比原直方图，或者峰之间的谷更深了。
或者谷转变成峰从而更好检测了。
借助前面的梯度算子作用于领域可以得到该像素的梯度值。
3：局部阈值法和多阈值法3.1水线阈值算法分水岭图像分割算法是借助地形学的概念进行操作的，这种方法近年来得到了广泛的使用，该算法要操作需要掌握相关的数学形态学的理念和方法。
该算法是串行计算过程，得到的是目标的边界，这种方法是通过确定分水岭的位置而进行的图像分割，但由于各区域内部像素的灰度很相近，相邻区域的像素灰度差距比较大，可以先计算一幅图的梯度图，再找梯度图的分水岭。
3.2变化阈值法有时候图像中有如下一些情况：有阴影，照度不均匀，各处的对比度不同，突发噪声，背景灰度变化等，在这些情况下，如果只用一个固定的全局阈值对整幅图像进行分割，则由于不能兼顾图像各处的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的一组阈值来对图像各部分分别进行分割。
这种与坐标相关的阈值也叫动态阈值，此方法也叫变化阈值法。
例如，一幅照度不均（左边亮右边暗）的原始图像为：图4.原始图像图5.阈值低，对亮区效果好，则暗区差图6.阈值高，对暗区效果好，则亮区差图7.按两个区域取局部阈值的分割结果4：仿真实验结论阈值法是一种传统但有简单有效实用的基础图像分割方法。
图像的的变化是无穷无尽的，在实际应用中，通常将多种分割算法有效地结合在一起使用以获得更好的分割效果。
除了以上介绍的方法外，还存在着多种不同的其他有效方法，在此，就不多介绍，此外，本片论文也存在在一些描述不是很清楚的地方，希望有缘读者可以提供相关建议和意见，一定多加感谢。
参考文献：1 夏得深，傅德胜.现代图像处理技术与应用.东南大学出版,20012余成波.数字图像处理及MATLAB实现[M].重庆:重庆大学出版社,2003.3刘直芳,游胜志等.基于多尺度彩色形态矢量算子的边缘检测.中国图像图形学报 2002 (9) 888-8934周铭,周惠.基于遗传算法的自适应聚类图像阈值分割方法.计算机工程与应用[J]，2005,5(6):231-245.5杨杰，黄朝兵. 数字图像处理及MATLAB实现.电子工业出版社,20106 吴一全,朱兆达.图像处理中阈值选取方法30年(1962-1992)的进展（一）.数据采集与处理[J],1993,9(3):193-201.7 吴一全,朱兆达.图像处理中阈值选取方法30年(1962-1992)的进展（二）.数据采集与处理8 王茜蓓,彭中,刘莉.一种基于自适应阈值的图像分割算法.北京理工大学学报[J],2003，23(4):531-524.9 Sahoo P K et al. A survey of thresholding techniques. Computer Vision, Graphics and Image Processing[J],1988,41(3):233-260.10 Doyle W.Operations useful for similarity-invariant pattern recognition JACM[J],1962, 9(2):259-26711 Perez A, Gonzalez R C.An iterative thresholding algorithm for image segmentation. IEEE Trans[J],1987,9(6):742-751.附录：I=imread('tsaml.jpg');I=double(I);T=(min(I(:))+max(I(:)))/2;done=false;i=0;while ~doner1=find(I<=T);r2=find(I>T);Tnew=(mean(I(r1))+mean(I(r2)))/2;done=abs(Tnew-T)<1;T=Tnew;i=i+1;endI(r1)=0;I(r2)=1;figure;imshow(I)2：a=imread('img.bmp'); imshow(a)figure;imhist(a)。