由于实现的直观性和简单性，图像阈值处理在图象分割应用中占有重要的地位。简单的阈值处理在2.72节（记录在基本原理）已经讨论过了，本节将讨论自动选择阈值的方法，此外还要介绍一种依照局部图像邻域的性质来改变阈值的方法。

假设如图10.12所示的直方图对应于图像f(x, y)，采用这种方法，目标和背景象素会具有两种主要模式的灰度级。一种从背景上提取对象的明显方法是选取一个阈值T来分离这两种模式。任何满足\(f(x, y) \geq T\)的点(x, y)称为对象点，其他点则称为背景点。

\[g(x, y) = \begin{cases} &1, f(x, y) \geq T \\ &0 f(x, y) \leq T\]

T为常数时，称为全局阈值处理。T可变时，称为局部阈值处理。

http://s6/middle/84024a4a4d8faac16aa35&690数字图像 阈值处理" TITLE="Matlab 数字图像 阈值处理" /> 

选取阈值的一种方法是目视检查直方图。图10.12 所示的直方图有两个不同的模式；正如结果所示，我们可以很容易地选取一个阈值T来分开它们。另一种选择T的方法是反复试验，挑选不同的阈值，知道观察者觉得产生了较好的结果时为止。这在交互环境下特别有效，例如，这种方法允许用户使用一个图形控件（如滑动条）来改变阈值并可立即看到结果。

自动确定阈值的迭代步骤如下：

1. 为T选取一个厨师估计值（建议厨师估计值为图像中最大亮度值和最小亮度值的中间值）

2. 使用T分割图像。这会产生两组象素：亮度值大于等于T的所有象素组成的G1，亮度值小于T的G2。

3. 计算G1和G2范围呢你的象素的平均亮度值\(\mu_1, \mu_2\)

4. 计算一个新阈值：\(T = \frac{1}{2}(\mu_1 + \mu_2)\)

5. 重复步骤2到步骤4，直到连续迭代中T的差比预先指定的参数T0小为止

工具箱中提供了一个graythresh函数，调用语法为

T = graythresh(f)

其中，f为输入图像，T是产生的阈值。为了分割图像，我们在函数im2bw中使用阈值T。因为阈值已经被归一化到范围[0, 1]内，因此必须在使用阈值之前将其缩放到合适的范围，例如，若f是uint8类图像，则我们在使用T之前要让T乘以255.

例10.7 计算全局阈值

（1）使用迭代的方法求阈值

f = imread('Fig1013(a)(scanned-text-grayscale).tif'); T = 0.5 * (double(min(f(:))) + double(max(f(:)))); done = false; while  ~done     g = f >= T;     Tnext = 0.5*(mean(f(g)) + mean(f(~g)));     done = abs(T - Tnext) < 0.5;     T = Tnext; end

（2）使用工具箱函数

T2 = graythresh(f) * 255;

计算结果

T = 101.4717 T2 = 101

阈值分割

T2 = graythresh(f); figure, imshow(f); BW = im2bw(f, T2); figure, imshow(BW)

http://s1/middle/84024a4a4d8faac6346d0&690数字图像 阈值处理" TITLE="Matlab 数字图像 阈值处理" />

http://s8/middle/84024a4a4d8faac82cc27&690数字图像 阈值处理" TITLE="Matlab 数字图像 阈值处理" /> 

 

如果北京照明不均匀，有可能导致全局阈值处理无效，这时，就需要进行局部阈值处理。