圖像處理 5-圖像分割/二值化

圖像閾值化分割是一種傳統的最常用的圖像分割方法，因其實現簡單、計算量小、性能較穩定而成爲圖像分割中最基本和應用最廣泛的分割技術。它特別適用於目標和背景佔據不同灰度級範圍的圖像。它不僅可以極大的壓縮數據量，而且也大大簡化了分析和處理步驟，因此在很多情況下，是進行圖像分析、特徵提取與模式識別之前的必要的圖像預處理過程。圖像閾值化的目的是要按照灰度級，對像素集合進行一個劃分，得到的每個子集形成一個與現實景物相對應的區域，各個區域內部具有一致的屬性，而相鄰區域不具有這種一致屬性。這樣的劃分可以通過從灰度級出發選取一個或多個閾值來實現。

最大類間方差法（大津法）

原理介紹：
記$T$爲前景與背景的分割閾值，前景點數佔圖像比例爲$w_0$，其均值爲$u_0$,背景點數佔圖像比例爲$w_1$，均值爲$u_1$，有如下公式(1),根據方差的定義，有第二個公式。

$\begin{array}{c} u=w_{0} \times u_{0}+w_{1} \times u_{1} \\ g=w_{0} \times\left(u_{0}-u\right)^{2}+w_{1} \times\left(u_{1}-u\right)^{2} \\ g=w_{0} \times w_{1} \times\left(u_{0}-u_{1}\right)^{2} \\ g=\frac{w_{0}}{1-w_{0}} \times\left(u_{0}-u\right)^{2} \end{array}$
所以根據最後一條公式遍歷一下圖片的像素值，使$g$的值最大就可得出最大類間方差法的閾值$T$。

自適應閾值分割法

前面介紹了OTSU算法，但這算法屬於全局閾值法，所以對於某些光照不均的圖像，這種全局閾值分割的方法會顯得蒼白無力，如下圖：

顯然，這樣的閾值處理結果不是我們想要的，那麼就需要一種方法來應對這樣的情況。

這種辦法就是自適應閾值法(adaptiveThreshold)，它的思想不是計算全局圖像的閾值，而是根據圖像不同區域亮度分佈，計算其局部閾值，所以對於圖像不同區域，能夠自適應計算不同的閾值，因此被稱爲自適應閾值法。(其實就是局部閾值法)

如何確定局部閾值呢？可以計算某個鄰域(局部)的均值、中值、高斯加權平均(高斯濾波)來確定閾值。值得說明的是：如果用局部的均值作爲局部的閾值，就是常說的移動平均法。

c++代碼實現(待完成…)