图像阈值分割处理

1、图像阈值定义

  利用图像中要提取的目标区域与其背景在灰度特性上的差异，把图像看作具有不同灰度级的两类区域(目标区域和背景区域)的组合，选取一个比较合理的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生相应的二值图像。（百度百科定义）。
  简单来说，图像阈值就是选择一个或多个合适的值，结合图像的像素灰度值将像素分为两类（目标和背景）。简单单阈值C++（结合opencv）代码及案例如下所示：

代码

#include<opencv2/opencv.hpp>
#include<iostream>
void main()
{
	cv::Mat src = cv::imread("test7.bmp",-1);//读图
	int thresholdVal = 130;//阈值
	//图像阈值分割
	cv::Mat thresholdImage(src.size(),CV_8UC1,cv::Scalar(0));
	for (int i = 0; i < src.rows; i++)
	{
		for (int j = 0; j < src.cols; j++)
		{
			if (src.at<uchar>(i, j) > thresholdVal)
				thresholdImage.at<uchar>(i, j) = 255;
		}
	}
	cv::waitKey();
}

单阈值案例：

图1（a）原图

图1（b）阈值30

图1（c）阈值50

图1（d）阈值130

  从上面单阈值效果来看，不同的阈值有不同的目标提取效果，阈值在选择时需要根据目标的灰度特征以及背景的灰度情况确定。

2、阈值方法

（1）固定阈值

   设定一个数值，利用此值将图像像素灰度值分为两类，其效果如图一中所示。

（2）自适应阈值

  根据算法计算出一个阈值，利用此阈值将图像像素分为目标和背景。如图2所示，自适应阈值是通过算法找到一个波谷值或一个合适的值（如图2中红线），将像素分为两类。算法主要有：OTSU阈值、迭代阈值、最大熵阈值。

图2 灰度直方图

（3）聚类分割

   这类方法的主要核心是利用聚类算法将图像灰度分为多个类，每个类都有一个灰度范围（如图3所示），根据目标灰度特征选则合适的类，选择其对应类的灰度范围，将图像像素分为两类。典型算法例如EM聚类分割算法。

图3 聚类分类示意图

3、阈值类型

（1）阈值二值化

表达式为：

（2）阈值反二值化

表达式为：

（3）截断

表达式为：

（4）阈值取零

表达式为：

（5）阈值反取零

表达式为：