阈值分割原理与应用简介

（一）目的

图像阈值化的目的是要按照灰度级，对像素集合进行划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域不具有这种一致属性。这样的划分可以通过灰度级选取一个或多个阈值来实现。

（二）原理

阈值分割法的基本原理是：通过设定特征阈值，把像素分为若干类。常用的特征包括直接来自原始图像的灰度或彩色特征，以及由原始灰度或彩色值变换得到的特征。

设原始图像为I（x，y），按照一定的准则在I（x，y）中找到特征值T，将图像分割为两个部分，分割后的图像为

若取b0=0和b1=255，即为我们通常所说的图像二值化。简单地说，对于灰度图像，灰度值比阈值大的像素就是白，比它小就是黑。经过阈值化处理后的灰度图像变成了黑白二值图像，所以阈值化是将灰度图像转化为二值图像的一种常用方法。

图3-14　对例图的阈值分割结果

a）原始图像　b）阈值分割结果

（三）适用范围

对于包含复杂景物的图像，如自然场景，很难判断有的区域究竟是前景还是背景。因此阈值分割一般不能直接应用于复杂景物的正确分割。阈值分割方法特别适用于目标和背景占据不同灰度级范围的图像，也就是说前景和背景有很强对比的图像。当物体的灰度级比较集中时，可通过简单的设置灰度级阈值，来从图像中提取目标物体。(www.xing528.com)

（四）方法分类

根据使用的是图像的局部信息还是整体信息，可将阈值分割方法分为上下文无关方法（即基于点的方法）和上下文相关方法（即基于区域的方法）；根据对全图像使用统一阈值，还是对不同区域使用不同阈值，可以分为全局阈值方法和局部阈值方法。

如果分割过程中对图像中每个像素所使用的阈值都相等，则为全局阈值方法，即单阈值分割，其原理如下：假定目标物体和背景分别处于不同灰度级，图像被零均值高斯噪声污染。图像的灰度分布曲线近似用两个正态分布概率密度函数分别代表目标和背景的直方图，利用这两个函数的合成曲线拟合整体图像的直方图，将会出现两个分离的峰值，如图3-15所示，图中I表示图像的灰度值，T表示阈值，n表示像素个数。依据最小误差理论针对直方图的两个峰间的波谷所对应的灰度值求出分割的阈值。该方法适用于具有良好双峰性质的图像，但需要用到数值逼近等计算，算法十分复杂，而且多数图像的灰度直方图是离散、不规则的。

图3-15　单一阈值的灰度直方图和灰度分布曲线

a）灰度直方图　b）灰度分布曲线

当图像中的光照不均匀、有突发噪声，或者背景灰度变化比较大时，采用单一阈值则不能兼顾各个像素的实际情况。这时，可对图像按照坐标分块，对每一块分别选一个阈值进行分割（如图3-16所示）图中T1和T2表示阈值。这类方法的时间和空间复杂度比较大，但是抗噪声能力比较强，对采用全局阈值不容易分割的图像有较好的效果。实际的局部阈值分割完全可以根据图像的实际性质，对每个像素设定阈值，但要考虑到实际要求和计算的复杂度问题。

图3-16　多阈值的灰度直方图

（五）应用现状

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技术，已被应用于很多领域，例如，在红外技术领域中，红外热图像的分割和红外成像跟踪系统中目标的分割等；在遥感领域，合成孔径雷达图像中目标的分割等；在医学图像处理中，血液细胞显微图像的分割，磁共振和X射线图像的分割等；在农业工程领域，水果品质无损检测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。在这些应用中，分割是进行图像分析、特征提取与模式识别等步骤之前的必要的图像预处理过程，它不仅可以极大地压缩数据量，而且大大简化了分析和处理步骤，分割的准确性将直接影响后续步骤的精度和有效性。