图像分割及其分类
图像分割作为数字图像处理中一项热门的基础研究技术到现在已经有了几十年的历史，在数字图像处理技术诞生的同时，图像分割技术也孕育而出。相关在这方面卓有成就的学者们从图像本身的特征出发，利用各种数学理论和模型，根据图像的灰度、颜色、纹理和位置等信息从背景中抽取目标[5]~ [8]。
论文网http://www.youerw.com/ 按实现原理的不同，现在将图像的分割算法分为以下三大类[9] [10]：基于阈值分割方法；基于区域提取分割方法；基于边缘检测的分割方法。
2.1.1 基于阈值分割方法
阈值分割方法是一种简单，快速的分割方法，得到了广泛的应用。算法的基本思想是根据灰度图像的像素信息，依据所选定的数学处理模型找到一个合适的阈值T，然后根据阈值T，将小于等于T的像素点归类为背景，将大于T的像素点归类的目标（假设背景是暗色调，而目标是亮色调）。因此，最优阈值的寻找是阈值分割方法的核心任务。
2.1.2 基于区域提取分割方法
区域提取分割方法是一种基于区域提取的算法，这种方法是基于某一区域(目标)的像素具备灰度、纹理等方面的连续共性，而其它区域又不具备有这种连续特性的特点，从而把目标分离出来的方法。
2.1.3 基于边缘检测的分割方法
边缘检测算法是一种利用图像的像素值剧烈变化，也就是区域内灰度不连续的部分进行区域划分的技术，其是提取图像中对象物的轮廓结构的最基本的方法。边缘检测算法检查并提取不连续部分特征像素，并通过闭合边缘获取闭合区域。一般而言，通常是把具有像素灰度剧烈变换的部分认定为边缘。这些边缘可能是由于，图像中各个对象的衔接区域，对象表面光反射特性的变化等原因而引起的。所有基于边界分割方法的第一步是对图像进行边缘检测，最后通过检测图像中不同区域的边缘像素实现分割图像。
2.2阈值分割及其分类
阈值分割方法是图像分割领域中一种最简单也是最常用的方法。阈值分割方法从预先设定的阈值选择算法中通过寻找合适的阈值，将灰度图像中的像素进行分类。例如：对于背景是趋向于黑色，而目标是趋向于白色的灰度图像，可以把小于等于分割阈值T的像素归为背景像素，并将其像素灰度值设定为0，也就是纯黑色；将大于分割阈值T的像素归为目标像素，并将其像素灰度值设置为255，也就是纯白色。这样，就可以得到一张分割好的二值化图像。
在一些数字图像处理任务中，二值化图像是实现其算法分析的主要对象。对于一幅灰度图像，把感兴趣区域的目标像素和不感兴趣区域的背景像素分离，也就是分离出目标像素和背景像素，这样的结果就是图像的二值化。在二值化图像中，像素要么是255，要么是0，即二值化图像中的像素要么是黑色的，要么就是白色的。二值化图像的占有空间小，还可以很好的描述目标轮廓。
阈值分割方法发展到现在已经有几十年的时间，已经有十大类的分割方法[11] [12]：1）、直方图方法与直方图变换方法；（2）、最大类间方差法；（3）、最小误差与均匀化误差方法；（4）、共生矩阵法；（5）、矩量保持法；（6）、最大熵法；（7）、简单统计法与局部特性法；（8）、概率松弛法；（9）、模糊集方法；（10）、其他分类方法。本文来自优.文~论^文.网原文请找腾讯324'9114
2.2.1 最小误差与均匀化误差方法
最小误差是Kittler和Illingworth[13]于1986年提出，通过寻找准则函数
(2-1)
的最小值确定所要选取的分割阈值T。另外，也有很多人对最小误差法做出了进一步的研究。[14] ~ [16]
均匀化误差方法是Dunn[17]等人在1984年提出。这个方法用ψ(t)表示目标所占面积的百分比，p(t)表示背景点被误分成目标点的概率。1-q(t)表示将目标点被误分成背景点的概率。均匀化误差方法就是通过选择阈值T，使得p(t)=1-q(t)。
上一页 [1] [2] [3] [4] [5] [6] [7] 下一页
三种OTSU阈值分割方法研究 第3页下载如图片无法显示或论文不完整，请联系qq752018766
