灰度图像--图像分割阈值处理综述

学习DIP第51天

转载请标明本文出处：http://blog.csdn.net/tonyshengtan ，出于尊重文章作者的劳动，转载请标明出处！文章代码已托管，欢迎共同开发：https://github.com/Tony-Tan/DIPpro

开篇废话

新年第一篇博客，图像分割进行到阈值处理，前面学的边缘检测，然后将边缘连接起来，达到分割区域的目的，用到的基础原理是图像灰度的变化，而阈值处理用到的是阈值的不变，也就是把具有相同或相似的灰度的一类像素定义为一个区域，根据这个特点来定义并区分一个区域。而阈值可以理解为一个界限，或者一个划分，超过这个界限的是一个区域，没超过划分为另一个区域，而核心问题式确定这个阈值。

阈值概述

阈值处理用到的唯一公式如下，这是阈值处理的核心操作：

式子中T就是我们的阈值，我们将要学习的算法都是来确定这个T的。

当然这是单阈值的方法，如果有多个模式的时候我们也会使用多阈值，但多阈值难度较大，一般很少使用。

阈值根据不同得到阈值的方法可以将阈值分成以下几种类型：

可见阈值可以分成全局阈值，局部阈值和动态阈值，这些不同的阈值要根据不同的图像情况来确定使用不同的方法。

理解阈值我们可以将一副图像想象成一个三维场景，图像长和宽为三维空间中的x轴和y轴，而灰度强度为z轴，对于lena图，用Matlab产生下图，三维图像沿着x轴旋转：

其他角度观察此图：

我们使用一个简单的阈值处理，比如使用128作为阈值，大于128的灰度设为128，小于128的保持不变，可以理解为以横着切一刀，效果就下面：

阈值处理通过观察原图的直方图也可以得出很好的理解，当直方图为双峰，且波谷越深越宽的，使用阈值处理越好。

阈值处理可以产生二值图或者其他灰度图，可以根据需要来产生所需要的结果，一般可以产生下面几种结果，对于单阈值：

Minvalue最小值，最小灰度值，0
Maxvalue最大值，最大灰度值，255
dst(x,y)=src(x,y)>T?src(x,y):Minvalue;
dst(x,y)=src(x,y)>T?Maxvalue:src(x,y);
dst(x,y)=src(x,y)>T?Maxvalue:Minvalue;
//此处产生二值图像
dst(x,y)=src(x,y)>T?Minvalue:Maxvalue;
//此处产生二值图像,将上图反转