1、“.....采用了五种平均性能准则分类边缘匹配相对前景区域误差,改进距离,以及区域非均匀性聚类方法和基于聚类阈值方法都是最常用方法。这个排名同时也被认为是对提取对象视觉轮廓主观评价。从硬件实现角度来看,个阈值方法有效性也可以用其他参数来衡量，例如速度和复杂性。这些在实时图像处理应用过程中，都是非常重要。所有高素质技术集群在进行阈值计算之前，先对图像些属性进行估算,例如,直方图最大最小灰度值或者图像方差。因此,图片进行逐像素预处理。对数计算在基于熵技术复杂计算程序中也是必需。硬件对数实现和标准偏差计算使这些方法对硬件要求复杂化。此外,在获得足以计算阈值图片之后，这种方法仍需要大量处理时间。虽然我们所讨论这些方法都具有良好性能,但他们般不适合实时实现。或者我们可以增强或修改这些技术。对于阈值法最基本要求就是其适应性和高效性。它应该也对图像与处理存在定依赖性......”。

2、“.....在该方法中,图像灰度像素被分为两个集群，即前景和背景。有几种方法可得到聚类组输入灰度像素。人工神经网络技术对解决分类和聚类问题是非常有用。和使用种神经网络结构作为个聚类技术,称为聚类阈值。聚类方法使用人工神经网络聚类特性来计算个阈值,其阈值为两个聚类质心均值。人工神经网络就是原始节点简单聚类。聚类通过创建层产生，并且相互连接。网络处理能力储存在层间连接处,称为权是通过从组训练模式中学习获得每个节点输入都乘以了个连接权值。在最近几十年里,研究人员提出了不同类别神经网络。每个类别都有其适用个特定域,因而提出个通用神经网络来解决所有问题似乎是不可能。其中提出种有关自适应分类和图像分割问题解决方案，就是非监督竞争学习。,,,,,,,,,,,,,法，根据局部图像特征，计算出每像素点阈值，例如局部对比度方法,表面滤波阈值法。为定量性能评估......”。

3、“.....针对两种不同环境提出些有用阈值标准,即文档图像无损检测和无损检测图像。采用了五种平均性能准则分类边缘匹配相对前景区域误差,改进距离,以及区域非均匀性聚类方法和基于聚类阈值方法都是最常用方法。这个排名同时也被认为是对提取对象视觉轮廓主观评价。从硬件实现角度来看,个阈值方法有效性也可以用其他参数来衡量，例如速度和复杂性。这些在实时图像处理应用过程中，都是非常重要。所有高素质技术集群在进行阈值计算之前，先对图像些属性进行估算,例如,直方图最大最小灰度值或者图像方差。因此,图片进行逐像素预处理。对数计算在基于熵技术复杂计算程序中也是必需。硬件对数实现和标准偏差计算使这些方法对硬件要求复实现实时适应图像阈值电气与计算机工程系,滑铁卢大学理查德霍恩西计算机科学和工程系,纽约大学摘要本文提出了种基于实时阈值通用结构。硬件架构是基于种加权聚类算法架构......”。

4、“.....该方法采用聚类二值加权神经网络法找到两个像素组质心。图像阈值是两个质心平均值。因为对于每个输入像素，选定最近权值是用来更新，因而推荐种自适应阈值技术。更新是基于输入像素灰度级和相关权值差额，通过学习快慢因素来衡量其速率。硬件系统是在平台上实现，它包含两个功能模块。第个模块获得图像框架阈值，另个模块将阈值应用于图像框架。两个模块并行性和简单硬件组成部分使其适用于实时应用程序，并且，其性能可与经常用于离线阈值技术相媲美。通过利用对无数例子进行模拟和实验，得到该算法结果。这项工作基本应用是确定激光质心，但接下来将会讨论它在其他方面应用。关键词实时阈值,自适应阈值,实现神经网络简介图像二值化是图像处理个主要问题。如果要从张图像上提取有用信息，我们需要将它分成不同部分例如背景色和前景色来进行更为详细分析。般来说，前景色像素灰度级与背景色灰度级是不同......”。

5、“.....就性能而不是就速度而言，这些算法主要目标在于高效率，然而对于些应用，尤其对是在那些定制硬件和实时应用程序来说，速度则是最关键要求。可实现快速而简单阈值技术在实际成像系统中得到广泛应用。例如，结合了图像传感器片上图像处理技术普遍存在于各种各样成像系统当中。在这样个系统当中，图像实时处理及其得到相关信息是至关重要。实时阈值技术应用领域包括机器人汽车目标追踪以及激光测距。在激光测距，即确定目标运动范围过程中，所捕获图像为二值图像。阈值技术被用来从背景色中分离耀斑以及质心定位。本文接下来将重点描述该技术应用。实时阈值另个应用是文件处理及光学字符识别。例如，个高速扫描仪每分钟可扫描并处理大约超过页文件。这个系统中，为达到速度要求，利用种专用硬件对图像进行处理和二值化。其中，最为典型例子就是，通过或相机，由扫描仪捕获图像，都被转换为二值图像。再由文本文档来储存这些相对统背景色信息......”。

6、“.....可以在不丢失图像重要数据信息基础之上，明显减少图像存储空间，因此，更适合输出和存储。以上所提到所有应用都有个共同点，就是都是利用高性能高精度系统，通过快速算法来完成阈值转换。此外，在对图像做进步处理之前，都将图像二值化作为预处理步骤。因此，它们要将目标从背景色中分离出来，就必须先进行最佳阈值计算，以免丢失重要数据信息例如，物体尺寸或形状。本文介绍了种在实时应用中图像阈值新技术。这阈值技术是通过实现。第二节对图像二值化进行了概述。针对著名图像阈值技术以及它们各自性能进行了讨论。第三节描述了该阈值技术算法。并就算法性能，和其它算法进行了比较。第四节给出了算法实现。重点讨论了硬件实现功能性能实验结果。同时，就速度和面积，阐述了硬件性能。第五节结合本文所描述工作，引出了些关键性结论。对研究结果进行了总结，同时对该算法优缺点进行了重点阐述......”。

7、“.....即前景色和后景色。在图像处理应用中，被赋值给目标灰度值是不同于背景色灰度值。因此，阈值可以被视为是分离背景色和前景色最有效方法。阈值处理输出是个二值图像，该二值图像是通过给不同像素赋值得到，小于阈值像素赋值为，其余像素赋值为。让我们来看下，大小为行和列，灰度级为，即灰度级范围为，图像。像素灰度级和亮度分别用坐标,和,来表示。阈值是在，范围内变化值。基于预定义测量，阈值技术确定个最佳值为。因而有,,是二值图像像素。在此例子中，我们关心是个亮色物体在个暗色背景当中，因此，在二值图像中，低于定灰度值像素点灰度用表示，即表现为背景色，高于定灰度值像素点灰度用表示，即表现为前景。有许多因素会影响到灰度阈值并使阈值复杂化。例如，对比度差物体和背景大小不致背景不均匀，以及相关噪声等。有时，二值图像会丢失很多区域而捕获很多不相干背景像素......”。

8、“.....因此为寻找最优阈值，自适应算法是必要。自适应算法基于图像特点，例如，图像统计和图像亮度，计算出图像阈值。基于对文献全面调查，对阈值技术进行了分类，共分种，如下直方图法，图像直方图被视为两种类型与物体和背景相关高斯分布混合，例如凸壳阈值罗森菲尔德,和峰谷阈值。基于聚类法此方法中，灰度级像素主要分为两类，作为前景和背景。或者，作为两种高斯交替混合模型，如迭代阈值聚类阈值,最小误差阈值,应用模糊聚类阈值。均值法是利用了前景和背景区域熵不同，例如熵阈值,和熵阈值。基于属性方法,在灰度图像和二值图像中找到了相似性度量模糊边缘形状相似性，边缘匹配等,如边缘阈值匹配赫兹。以及稳定拓扑阈值。空间方法,使用高阶概率分布和或像素之间相关性,如高阶熵阈值。局部法，根据局部图像特征，计算出每像素点阈值，例如局部对比度方法,表面滤波阈值法。为定量性能评估......”。

9、“.....针对两种不同环境提出些有用阈值标准,即文档图像无损检测和无损检测图像。采用了五种平均性能准则分类边缘匹配相对前景区域误差,改进距离,以及区域非均匀性聚类方法和基于聚类阈值方法都是最常用方法。这个排名同时也被认为是对提取对象视觉轮廓主观评价。从硬件实现角度来看,个阈值方法有效性也可以用其他参数来衡量，例如速度和复杂性。这些在实时图像处理应用过程中，都是非常重要。所有高素质技术集群在进行阈值计算之前，先对图像些属性进行估算,例如,直方图最大最小灰度值或者图像方差。因此,图片进行逐像素预处理。对数计算在基于熵技术复杂计算程序中也是必需。硬件对数实现和标准偏差计算使这些方法对硬件要求复杂化。此外,在获得足以计算阈值图片之后，这种方法仍需要大量处理时间。虽然我们所讨论这些方法都具有良好性能,但他们般不适合实时实现。或者我们可以增强或修改这些技术......”。