计算机视觉课程名称： 计算机视觉 学 号： 姓 名： 指导老师： 娄震 二○一四年五月基于直方图的图像阈值分割技术综述1 引言 图像分割就是把图像分成一些具有不同特征而有意义的区域,以便进一步的图像分析和理解。图像分割是众多图像处理和计算机视觉系统的重要组成部分, 图像分割问题是图像处理与分析中的一个基本问题。图像分割需要将输入图像划分成两个或者多个子区域, 这正是设计和实现医学图像分析、文本字符识别、目标自动猎取等系统所面临的首要任务。由于图像分割问题的重要性和基础性,国内外学者历来对其高度重视, 并提出了众多解决方法。阈值分割技术是一种非常流行的图像分割方法, 它以图像直方图信息为主导, 具备原理清楚、表述简单、运算快捷、效果良好等优点, 因此一直受到讨论人员的青睐, 在实际应用场合中尤为明显。从本质上看, 阈值分割方法基本上可以分为六大类[1]：基于熵的方法(entropy-based methods) 基于聚类的方法( clustering-based metho ds) 基于直方图形态的方法( histogram-shape based methods) 基于目标属性的方法( object attribute-based methods) 空间方法( spatial methods) 局部方法( local methods)而基于直方图的阈值分割技术是应用最为广泛的一种方法，根据维数分，可以分为基于一维直方图和基于高维直方图(如二维和三维直方图), 早期的阈值分割技术通常基于灰度直方图( 也称一维直方图) 选取目标函数, 对许多图像难以进行较好的分割。随着讨论的深化, 国内外学者不断基于高维直方图( 例如二维直方图和三维直方图)提出一些新的分割方法。而在这些技术中，熵阈值法和Otsu阈值法( 也称最小类内方差法或最大类间方差法)是应用最广的两种方法。它们阐释了阈值分割的本质: 先给出各种各样合理的目标函数, 再最大化或最小化该目标函数来得到最佳分割阈值。2 基于一维直方图的阈值分割技术2.1 经典灰度直方图阈值分割方法经典的图像分割算法[2]诸如:直方图分割与阈值分割的方法具有实现简单、计算量小、性能较稳定等特点。通常,它们是利用图像的灰度直方图的分布特征,找出灰度直方图分布的两波峰之间的波谷,选定恰当的阈值将图像分割开,然而这种分割方法依赖于图像灰度的分布,对灰度分布不呈双峰特征或复杂背景的图像,往往会造成错误分割。利用图像灰度直方图的特性确定分割阈值方法的原理是假如图像所包括的背景区域与所分的目标区域大...
