如何调整自适应阈值

自适应阈值的实质是局部阈值法，其思想不是计算全局图像的阈值，而是根据图像不同区域的亮度分布，计算其局部阈值，即能够自适应计算图像不同区域的阈值。

8.2.3.1　迭代法

迭代法首先选择一个阈值作为初始估计值，然后再通过对图像的多趟计算对阈值进行改进直到满足给定的准则为止。迭代过程的关键在于阈值改进策略的选择。好的阈值改进策略应该具备两个特征，一是能够快速收敛；二是在每一个迭代过程中，新产生的阈值优于上一次的阈值。迭代法的具体处理流程如下:

(1)选取一个初始估计值T；

(2)用T分割图像，生成两组像素集合，G1由所有灰度值大于T的像素组成，而G2由所有灰度值小于或等于T的像素组成；

(3)对G1和G2中所有像素计算平均灰度值u1和u2；

(4)计算新的阈值T＝1/2(u1＋u2)。(www.xing528.com)

重复步骤(2)～(4)，直到得到的T值小于一个事先定义的参数T后停止循环。

8.2.3.2　最大类间方差法

最大类间方差法，又称Otsu算法，其基本原理是选取最佳阈值将图像的灰度值分割成背景和前景两部分，使两部分之间的方差最大，即具有最大的分离性。该算法是在灰度直方图的基础上采用最小二乘法原理推导出来的，被认为是图像分割中阈值选取的最佳算法，该算法计算简单，不受图像亮度和对比度的影响，因此在数字图像处理上得到了广泛的应用。其缺点是对图像噪声比较敏感，并且只能针对单一目标进行分割，当目标和背景大小比例悬殊，类间方差函数可能呈现双峰或者多峰，此时效果不好。具体的最大类间方差法处理流程如下。

记T为前景与背景的分割阈值，前景点数占图像比例为w0，平均灰度为μ0；背景点数占图像比例为w1，平均灰度为μ1，图像的总平均灰度为μ，前景和背景图像的方差为g，则有

化简得

当方差g最大时，可以认为此时前景和背景差异最大，此时的灰度T是最佳阈值。