图像的阈值分割(Optimum Thresholding)

摘    要：本实验主要实现最优阈值。图像分割就是把图像中具有特殊涵义的不同区域分开来，这些区域是互不相交的，每个区域都满足特定区域的一致性。图像分割是图像处理中的重要问题，也是计算机视觉研究中的一个经典难题。计算机视觉中的图像理解包括目标检测、特征提取和目标识别等，都依赖于分割的质量。阈值法是一种简单有效的分割方法，其最大特点就是计算简单，因此也得到了广泛的应用。

一、技术论证

1.用一阶导数进行图像边缘检测

       在任何关于分割的讨论中，点和线检测都是很重要的，但是边缘检测对于灰度级间断的检测是最为普遍的检测方法。在本实验中我们讨论实现一阶导数检测一幅图像中边缘的方法。首先了解一下数字化边缘的概念：直观上，一条边缘是一组相连的像素集合。这些像素位于两个区域的边界上。

       图1显示了两个区域之间边缘的一条水平的灰度级剖面线。这个图形也显示出灰度级剖面线的一阶导数。当我们沿着剖面线从左到右，在进入和离开斜面的变化点，一阶导数为正。在灰度级不变的区域一阶导数为零。在图1中导数的符号在从亮到暗的跃变边缘处取反。由这些现象我们可以得到的结论是：一阶导数可以用于检测图像中的一个点是否是边缘的点(也就是判断一个点是否在斜坡上)。

图1 图像的灰度函数和其一阶导数

       边缘检测的困难：为了利用边界信息进行分析，所采用的边缘检测方法必须既能检测出强度的不连续性，又要能同时确定它们的精确位置，在图像处理过程中不可避免会遇到噪声干扰。而为了抑制无关的细节和噪声，需要对图像进行某种平滑滤波，但平滑又会导致定位精度的损失。

2 梯度算子

       一幅数字图像的一阶导数是基于各种二维梯度的近似值。图像f(x,y)在位置(x,y)的为下列向量：

           从向量分析中我们知道，梯度向量指向坐标(x,y)的f的最大变化率方向。在边缘检测中，一个重要的量是这个向量的大小，用表示，这里有：

   这个量给出了在方向上每增加单位距离后f(x,y)值增大的最大变化率。一般来讲也将称为梯度(尽管并不完全正确)。

3 Sobel算子

   计算图像的梯度要基于在每个像素位置都得到了偏导数∂f/∂x和∂f/∂y。图2中显示的3×3大小的区域表示图像邻域中的灰度级。若要得到z5点处的一阶偏导数，可以使用Sobel算子。