1、“.....或者说是基于定的图像模型。最常用的模型可描述如下假设图像由具有单峰灰度分布的目标和背景组成，处于目标和背景内部相邻像素间的灰度值是高度相关的，但处于目标和背景交界处两边的像素在灰度值上有很大的差别。若幅图像满足这些条件，它的灰度直方图基本上可看作是由分别对应于目标和背景的两个单峰直方图混合构成的。而且如果这两个分布大小数量接近且均值相距足够远，两部分的均方差也足够小，则直方图应为较明显的双峰。类似地，如果图像中有多个单峰灰度分布的目标，则直方图有可能表现为较明显的多峰。对这类图像常可用取阈值方法来较好地分割。把图像中各种灰度的像素分成两个不同的类，需要确定个阈值。如果要把图像中各种灰度的像素分成多个不同的类，那么需要选择系列阈值以将每个像素分到合适的类别中去。如果只用个阈值分割称为单阈值分割方法，如果用多个阈值分割称为多阈值分割方法。单阈值分割可以看作是多阈值分割的特例，许多单阈值分割算法可推广以进行多阈值分割。反之......”。

2、“.....不管用任何方法选取阈值，幅原始图像,取单阈值分割后的图像可定义为,这样得到的,是幅二值图像。在般的多阈值情况下，取阈值分割后的图像可表示为,其中,是系列分割阈值，表示赋予分割后图像各区域不同的标号。需要指出，无论是单阈值分割或多阈值分割，分割结果中都有可能出现不同区域具有相同标号或区域值的情况。这是因为取阈值分割时只考虑了像素本身的值，未考虑像素的空间位置。所以根据像素值划分到同类的像素有可能分属于图像中不相连通的区域。这时候往往需要借助些对场景的先验知识来进步确定目标的区域。阈值分割算法分类已提出的阈值化分割算法很多，相应的分类方法也很多，例如，对文档图像的阈值化技术可油种分类的方法考虑分割过程是否需要人工干预，可分为交互的与自动的根据阈值的不同作用范围，可分为全局的与局部的考虑阈值选取中所采用的灰度分布统计特性，可分为上下文相关与上下文无关的，前者基于灰度分布的阶统计......”。

3、“.....可分为迭代的与非迭代的根据为进行分割是否选用训练像素集以估计目标或背景的特性参数，可分为有监督的与无监督的。在前面关于阈值化原理的讨论中已指出选取合适的分割阈值化算法的关键问题，据此可根据阈值选取本身的特点对算法分类。阈值般可写成如下形式,其中,代表在像素点,处的灰度值，,代表在该点邻域的种局部性质。即阈值在般情况下可以是,的函数。借助上式，可将取阈值分割方法分成如下类，相应的阈值分别称为基于各像素值的阈值阈值仅根据,来选取，所得到的阈值仅与全图各像素的本身性质像素值有关基于区域性质的阈值阈值是根据,和,来选取的，所得的阈值与区域性质区域内各像素的值，相邻像素值的关系等有关基于坐标位置的阈值阈值进步除根据,和,来选取外还与,有关，即阈值要考虑位置来确定，则所得的阈值是与像素空间坐标有关的。上面确定第类阈值的技术有时称为点相关技术，而确定第二类阈值的技术有时间称为区域相关技术......”。

4、“.....前两类阈值也有称为全局阈值或称固定阈值的，因为此时确定的阈值对全图使用，或者说，对各个像素使用相同的阈值来分割与此对应，第三类阈值也有叫局部阈值或动态阈值的，因为此时确定的阈值是针对图像中的局部区域也可是单个像素的。在定意义上可以局部阈值化是全局阈值化技术的局部化特例。以上对取阈值分割方法的分类思想是通用的。近年来，许多取阈值分割算法借用了视觉神经神经网络和模糊数学等工具，但仍可把它们归纳到以上种方法类型中。全局阈值对灰度图像，基于各像素值的阈值是仅考虑各像素本身灰度值而确定的，因而算法般较简单，但抗噪声能力不强。所确定的阈值对多阈值分割是阈值序列作用于整幅图像的每个像素，因而对目标和背景的灰度有梯度变化的图像效果较差或失效。图像的灰度直方图是图像各像素灰度值的种统计度量。许多常用的阈值选取方法就是根据直方图来进行的。如果对双峰直方图选取两峰之间的谷所对应的灰度值作为阈值就可将目标和背景分开多峰直方图时也类似。谷的选取有许多方法，下面介绍种比较典型的方法......”。

5、“.....则选取直方图的谷可借助求曲线极小值的方法。设用代表直方图，那么极小值点应同时满足和和这些极小值点对应的灰度值就可用作分割阈值。实际图像的直方图由于图像噪声等原因经常有很多起伏，使得按式计算出的极小值点有可能对应虚假的谷。解决的方法之是先对直方图进行平滑处理。最优阈值有时图像中目标和背景的灰度值有部分交错，这时如用个全阈值进行分割则总会产生定的误差。实际中常希望能尽可能减少误分割包括把目标分成背景和把背景分成目标两类的概率，而选取最优阈值是种常用的方法。这里最优阈值指能使误分割率最小的分割阈值。图像的直方图可看成像素灰度值的概率分布密度函数的个近似，设幅图像仅包括两类主要的灰度值区域目标和背景，那么其直方图所代表的像素灰度值概率分布密度函数实际上是对应目标和背景的两个单峰分布密度函数之和。如果已知密度函数的形式，就有可能计算出个最优阈值，用它可把图像分成两类区域而使误分割率最小。设有这样幅混有加性高斯噪声的图像......”。

6、“.....整幅图像的混合概率密度其中和分别是背景和目标区域的平均灰度值，和分别是关于均值的均方差，和分别是北京和目标区域灰度值的先验概率。根据概率定义有，所以混合概率密度公式中只有个未知的参数。如果能求得这些参数。如果能求得这些参数就可以确定混合概率密度。图最优阈值选取示意图如图所示。假设﹤，需确定个阈值使得灰度值小于的像素分割为背景而使得灰度值大于的像素分割为目标。这时地将目标像素划分为背景的概率和将背景像素地划分为目标的概率分别是总的误差概率为为求得使该误差最小的阈值可将对求导并令导数为零，这样得到将这个结果用于高斯密度即将式代入可解得当时若先验概率相等，即，则这表示如果图像灰度值从正态分布时，最佳阈值可按上式求得。迭代阈值分割阈值也可以通过迭代计算得到......”。

7、“.....然后按下式迭代式中是灰度为值的像素个数，共有个灰度级。迭代直进行到结束，取结束时的为阈值。对图像进行阈值分割。其灰度直方图如图所示，阈值分割结果如图所示。程序清单见附录。原始图像原始图像的灰度直方图确定阈值读入图像是否与相等是否大于物体背景图灰度阈值分割流程图阈值分割结果图灰度阈值分割效果图动态阈值当图像中有如下些情况有阴影光照不均匀各处的对比度不同突发噪声背景灰度变化等，如果只用个固定的全局阈值对整幅图进行分割，则由于不能兼顾图像各处的情况而使分割效果受到影响。有种解决方法是用与坐标相关的组阈值即阈值是坐标的函数来对图像各部分分别进行分割。这种与坐标相关的阈值也叫动态阈值，这种取阈值分割方法也叫变化阈值法也有称自适应阈值法的。这类算法的时间复杂度和空间复杂度比较大，但抗噪声能力强，对些用全局阈值法不易分割的图像如目标和背景的灰度有梯度变化的图像有较好的效果......”。

8、“.....种比较简单的动态阈值算法是对每个像素确定以它为中心的个窗口，计算窗口内的最大值和最小值，再取它们的平均值作为该点的阈值，可以证明图像像素点灰度值和该阈值的差具有二阶导数的性质，所以取差的过零点就可以得到二值分割结果。下面再介绍另外的两个办法。阈值插值可以将变化阈值技术当作全局固定阈值技术的局部技术的局部特例。首先将图像分解成系列子图像，这些子图像可以互相重叠也可以只相接。如果子图像比较小，则又阴影或对比度空间变化等带来的问题就会比较小。然后可对每个子图像计算个阈值，此时阈值可用任种固定阈值法选取。通过对这些子图像所得阈值的插值就可得到对图像中每个像素进行分割所需的阈值。这里对应每个像素的阈值合起来组成图像幅度轴上的个曲面，也可以叫阈值曲面。种方法的具体步骤如下将整幅图像分以大小不同，即不在同层，如果条件满足，将它们合并起来如果进步的分裂合并都不可能了，则结束。中可以调用图像处理工具中的函数来实现四叉树分解。这个函数首先将图像分为相等大小的正方形......”。

9、“.....观察它们是否与标准具有相同性。对不符合标准的块进行进步分割，重复执行至每个块都符合标准为止。的基本调用方法如下其中是输入图像。是个可选参数，如果个子区域中的最大的像素灰度值减去最小的像素灰度值大雨设定的阈值，那么继续进行分解，否则停止并返回。也是可选参数，用来指定最终分解得到的子区域大小。返回值是个稀疏矩阵，其非零元素的位置回应于块的左上角，每个非零元素值代表块的大小。四叉树分解的程序清单与实验结果见附录。第五章总结本文基于软件平台，提出边缘检测灰度阈值检测和区域分割方法，并分析总结了几种分割方法的优劣。也对存在的些问题做进步的研究。对于图像边缘检测的分析检测阶跃边缘的基本思想是在图像中找出具有局部最大梯度幅值的像素点。检测阶跃边缘的大部分工作集中在寻找能够用于实际图像的梯度数字逼近。由于实际的图像经过了摄像机光学系统和电路系统带宽限制固有的低通滤波器的平滑，因此，图像中的阶跃边缘不是十分陡立。图像也受到摄像机噪声和场景中不希望的细节的干扰......”。