阈值化分割算法是一种最为古老、简单而又流行的图像分割方法。简单地讲，灰度图像的阈值分割就是根据图像的整体信息(例如该幅图像的直方图)或局部信息(共生矩阵等)来选择一个或多个阈值，从而把该图像分割成目标与背景两类区域或者多个目标与背景的区域。已提出的阈值化算法很多。根据选取的阈值数目，闽值化方法可以分为单阈值的方法、双阈值的方法和多阂值的方法。也可以根据阈值的不同作用范围，把阈值化方法分为全局阀值法和局部阈值法。
采用阀值化方法来分割灰度图像扫描时一般都对图像有一定的假设。换句话说，是基于一定的图像模型的。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，在目标或背景内部的相邻像素间的灰度值是高度相关的，但在目标和背景交界处两边的像素在灰度值上有很大的差别。如果一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目标和背景的两个单峰直方图混合而成。此时如果这两个分布大小(数量)接近且均值相距足够远，而且均方差也足够小，则直方图应是双峰的。对这类图像常可用阈值方法来较好地分割。
下面介绍几种典型的阈值化算法。
1最优阈值图像中目标和背景的灰度值有部分交错，这时如果用一个全局阀值进行分割则总会产生一定的误差。实际中常希望能尽可能减小误分割(包括把目标分成背景和把背景分成目标两类)的概率，而选取最优阈值是一种常用的方法。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一个近似，设一幅图像仅包含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，那么就有可能计算出一个最优阈值，用它可把图像分成两类区域而使误分割率最小(如图3．2．1所示)。
最优阈值选取设有这样一幅混有加性高斯噪声的图像，背景和目标的概率密度分别是 和，整幅图像的混合概率密度p(z)是其 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 分别是背景和目标区域灰度值的先验概率。根据概率定义所以混合概率密度式(3．6)中只有5个未知参数。如果能够求得这些参数就可以确定混合概率密度。假设需确定一个阀值T使得灰度值小于T的像素分割为背景而使得灰度值大于T的像素分割为目标。这时错误地将目标像素划分为背景的概率和将背景像素错误地划分为目标的概率.
为求得使该误差最小的阈值可将E(T)对T求导并令倒数为零，这样得到将这个结果用于高斯密度可得到二次式：进一步，如果两种灰度值的先验概率相等(两区域大小相当)，或噪声方差为零(即没有噪声，图像中只有两种狄度)，则最优阈值就是两个区域的平均灰度值的中值。一幅图像的混合概率密度函数 的参数可根据最小均方误差的方法借助直方图得到不良。例如 和实测得到的直方图h(z)之间的均方误差可表示为(L为直方图的灰度级数)：则通过最小化这个误差就可以确定函数的各个参数。
不知道大家通过本有什么什么收获没有，欢迎对此技术感兴趣的朋友与我交流！