阈值化分割算法及其在显著物体检测中的应用研究(4)
Kittler和Illingworth[14]提出了最小误差阈值分割法，它假设被分割的图像是由两个不同权重的高斯分布组成的，两个高斯分布分别用来描述图像的前景和背景，而权重是由阈值决定的，使得两个高斯混合模型和一文灰度直方图最为匹配的阈值就是最佳的阈值，可以用相对熵作为匹配的度量标准。在Sezgin[15]文章中认为最小误差阈值分割法是综合评价下取得较好效果的阈值分割方法，它受目标大小影响很小。
Tsai[16]提出的矩量保持法认为灰色图像是二值图像的模糊视图，这种方法认为灰度图像的前三阶灰度矩和二值化图像的前三阶矩是匹配的，通过在此基础上求解方程得到最佳阈值。
图像的模糊阈值分割法由Pal在1983年提出，它引入了灰度图像的模糊数学描述，通过计算图像的模糊率或是模糊熵选取图像的分割阈值，模糊熵主要是用来度量分割的模糊度的大小，即分割后的图像包含原图像中信息量的大小。文献[17]提出了一种最小模糊测度阈值选择算法，首先定义图像的隶属度函数，然后用模糊测度来选择阈值，并扩展到多级阈值。
除上述的方法之外，还有很多和其他理论结合的阈值分割算法，而多阈值的分割技术则是把一幅图像分成几个具有特性的区域，这种技术需要多个阈值把图像分成几个明暗等级不同的区域。这种分割方法对于从复杂或多颜色背景中提取目标效果要比单阈值分割效果好。Reddi[18]提出了一种迭代的Otsu方法产生多阈值。Ridler和Calward[4]用迭代的聚类方法，首先估计初始阈值，然后大于阈值的被分为目标类，反之，分为背景类，然后迭代产生新的阈值，阈值的个数无法自动产生。Chang和Wang[19]用低通和高通滤波调整波峰或波谷的个数，以得到想要的分类数，然后取波谷的灰度值为分割的阈值。Olive[20]提出了基于小波分析的多阈值分割方法。Boukharouba[21]通过分布函数定义了曲率函数的零点为多阈值。Huang[22]通过使用Lorentz信息测度提出了针对不均匀光照的图像多阈值分割算法。Tseng和Huang[23]在人类视觉系统的边缘检测和分割基础上提出了自动阈值分割算法。基于最大熵的阈值分割算法、最小误差法等都可以应用在多阈值分割中。
1.2.2 图像阈值分割的研究现状与发展趋势
1.2.3 物体检测的技术发展和研究现状
1.3 本文的组织结构
本文主要包括五章内容，具体如下：
第一章介绍图像阈值分割和物体检测的研究背景、研究意义、国内外的研究现状、本文的研究内容和组织结构。
第二章对本文重点研究的最大类间方差法和矩量保持法的原理以及适用范围进行深入探讨。
第三章简单介绍本文的研究环境MATLAB软件，并设计程序用于显著物体检测。
第四章详细分析测试结果，并用图表直观表示算法效率。
第五章对本文的研究工作进行总结，讨论了本文存在的一些问题以及展望未来的研究内容和方向。
2 阈值分割算法
图像阈值分割是一种广泛使用的图像分割技术。它利用图像中要提取的目标物与背景在灰度特性上的差异，把图像视为具有不同灰度级的两类区域的组合，选取一个合适的阈值，以确定图像中每个像素点应该属于目标还是属于背景区域，从而得到相应的二值图像。阈值分割法是一种简单有效的图像分割方法，它不仅可以压缩数据，减少存储量，而且可以大大简化后继分析和处理步骤。这种方法是先确定一个处于图像灰度取值范围之中的灰度阈值，然后将图像中各个像素的灰度值都与这个阈值相比较，并根据比较结果将对应的像素划分为两类：像素的灰度值大于阈值的为一类，像素的灰度值小于阈值的为另一类。这两类像素一般分属于图像中的两类区域，所以对像素根据阈值分类达到了区域分割的目的。