刘硕

摘  要：在图像分割的众多方法中，阈值分割法简单且性能稳定，是一种最基本、应用最广泛的分割技术，其实质就是：利用图像灰度直方图信息，得到图像分割的阈值，把像素级分成若干类，从而实现目标与背景的分离。文章主要对阈值分割技术的发展现状进行了综述，介绍了传统方法的阈值分割和优化算法的阈值分割，分析了各种方法的原理及特点。

关键词：阈值分割;传统方法;优化算法

中图分类号：TP391.41 文献标志码：A         文章编号：2095-2945（2020）24-0129-02

Abstract： Among the many methods of image segmentation， the threshold segmentation method is simple and stable， which is the most basic and widely used segmentation technology. Its essence is to obtain the threshold value of image segmentation by using image gray histogram information， and thendivide the pixel level into several classes， so as to achieve the separation of target and background. This paper mainly reviews the development of threshold segmentation technology， introduces the threshold segmentation of traditional methods and optimization algorithms， and analyzes the principles and characteristics of various methods.

Keywords： threshold segmentation; traditional method; optimization algorithm

阈值分割是图像分割中的经典方法，它利用图像的灰度直方图，得到一个或多个图像分割阈值，将图像中每个像素的灰度值与阈值作比较，把像素分类，从而实现目标与背景的分离。

其关键点在于最优阈值的获取，需要按照某个函数准则来求解。阈值的选取十分重要，直接影响图像分割的合理性和效果。

阈值分割法计算简单，实现起来容易，对物体与背景有较强对比的图像可以得到较好的分割效果。

1 传统方法的阈值分割

随着计算能力的提高以及高级理论和深度学习的不断发展，图像分割的应用范围不断扩大，并且各个领域对分割效果和质量的要求越来越高，一些传统的阈值分割方法在效果上已经不能与新方法相比较了，但其思想还是值得我们去学习。以下介绍几种常用的方法：直方图双峰法[1]，大津法[2]，自适应法[3]，迭代法[4]。

1.1 直方图双峰法

直方图双峰法[1]，或称mode法，是经典的全局单阈值分割方法。它假設：图像中要提取的物体和背景有明显差异，灰度直方图呈双峰分布[7]，用两峰之间的谷的灰度级作为阈值。

该方法针对灰度值、对比度处处近似相同的图像会有较好的处理效果。然而，实际情况中，大多图像不是上述的理想状态，图像像素灰度值、对比度差异很大，找到一个全局阈值来分离物体与背景很困难。

1.2 Otsu法

Otsu法，又称最大类间方差法[2]，大津法，是目前公认的，对阈值分割选择相对合理，且分割效果良好的办法。其理论依据为：按照图像的灰度特性，将图像分为背景和物体两部分，通过计算得到一个阈值，该阈值满足：使背景和物体的像素差异最大，即类间方差最大。

Otsu法计算虽然简单，但当图像较大时，耗时也较长。同时，Otsu法不考虑像素其空间分布，图像中涉及的灰度级越多，分割的合理性也就越低。

1.3 自适应法

自适应阈值分割[3]的思想为：根据图像局部特征，将图像中像素设置不同的阈值，用不同的阈值，将图像分为几个区域，从而进行分割。

该自适应法避免了当光照不均匀，突然的噪声，背景变化大时，单个阈值处理像素导致目标和背景区域不正确划分的问题。

1.4 迭代法

迭代法[4]选择初始的估计阈值，按某种原则，通过迭代不断改变这一估计值，直到满足给定的准则为止。

迭代法实现了在实际处理中，图像之间有较大变化时，对每一幅图片进行自动估计阈值，达到良好分割效果。

2 优化算法的阈值分割

随着阈值分割应用范围的不断扩大，对分割质量要求也越来越高，传统的阈值分割法稳定性好，但模型简单，对于单阈值图像分割效果较理想，当图像的背景复杂，扩展到多阈值图像分割时，计算量显著增加，耗时长，难以实际应用，且目标和背景灰度值差别不大时，部分边界信息很容易丢失。于是，产生了基于各学科理论的阈值分割算法，以改进最优阈值的获取，优化阈值分割过程。

2.1 基于启发式算法的阈值分割

近年来，为降低图像阈值分割的计算复杂度，减少耗时，应用粒子群优化（PSO）[5]，布谷鸟搜索（CS）[5]，萤火虫（GSO）[6]等启发式算法来搜索最优阈值越来越多。以下介绍于CS[5]和GSO[6]算法的阈值分割法。

CS算法[5]思想：通过随机游走的方式搜索得到一个最优的鸟窝孵化鸟蛋。CS算法参数少、操作简单、易实现、可以达到一种高效的寻优模式。但在后期寻优速度和精度方面仍存在不足，需进一步提高。刘笃晋[5]采用自适应布谷鸟算法寻优得到分割的最优阈值，不仅提高了图像分割的效率，还提高了图像分割准确率。

GSO算法[6]思想：通过萤火虫的移动，使萤火虫聚集到较好的萤火虫周围，实现种群寻优。GSO算法不但可以找到局部最优解，还能够得到全局最优解，但寻求最优解过程中其精度低，速度慢，容易陷入局部最优值。毛肖[6]引入一种改进的萤火虫算法来寻找最大熵下的最优阈值，提高搜索精度和速度，且能够实时性处理和分析不同类型的图像。

2.2 基于特定理论的集成阈值分割

一些特定理论如：聚类分析[2]，模糊集理论[2]，小波分析和小波变换[8]，能和现有的许多图像阈值分割方法相融合使用，形成集成的阈值分割技术，以获得更好的分割效果。

2.2.1 基于模糊聚类的阈值分割法

聚类法依据像素基本特征，把图像按照一定规则划分成不同区域，判断每个像素属于哪个区域，加以标记、分割[2]。这种方法的核心思想经常被融合在许多其它类别的分割方法中。模糊技术也能和现有的许多图像分割方法相结合，比如，模糊集理论与聚类分析结合成模糊聚类法，可以较好地描述图像的不确定性。

2.2.2 基于小波变换的阈值分割法

小波变换[8]在图像分割方面的优点在于，统一时域和频域于一体，且具有多尺度特性，可进行多尺度边缘检测。边缘信息来源多，这样我们可以得到比较准确、清晰的图像边缘。所以，用小波变换得到的边缘更加理想。

另外，将小波和阈值分割结合起来形成一种混合算法，处理图像也有较好效果。比如，一种结合小波变换的局部自适应阈值法[8]，优化了自适应法，从而达到良好分割效果。

2.3 基于深度學习的阈值分割

近年来，深度学习[2]已经引起了广泛的关注，并应用于图像分割。应用深度学习进行图像分割时，一般会先明确分割类型。按应用任务，可将图像分割分为普通分割[2]、语义分割[2]和实例分割[2]。其中：普通分割是指将分属不同物体的像素区域分开;语义分割是指在普通分割的基础上，分类出每一块区域的语义;实例分割则是指在语义分割的基础上，对每个物体编号。神经网络存在巨量的连接，容易引入空间信息。充分考虑空间分布，便能较好地解决噪声和不均匀问题。不同的分割类型可以选取不同的神经网络进行训练。选择何种网络结构是这种方法要解决的主要问题。

3 结束语

对于阈值分割法，关键在于最优阈值的选取，目前常用的阈值多为灰度。经典的阈值分割算法，技术相对成熟、稳定，但图像复杂时，计算量变大、耗时增加。优化算法的阈值分割法复杂性越来越高，仍存在各种问题。

现在已经有了许多各种用途的阈值分割算法但不同的方法囿于自身性能，有不同的适用范畴，到目前为止，仍没有一种可以适用于所有的图像的分割算法。

考虑到减少图像分割时间，且图像分割结果要清晰准确，未来图像分割发展，要合理地结合应用多种思想和技术手段，促使图像分割更加合理化。

参考文献：

[1]侯红英.图像分割方法综述[J].电脑知识与技术，2019，15（02）：175-176.

[2]王秋萍.图像分割方法综述[J].信息记录材料，2019，20（05）：12-14.

[3]李振云.基于混沌理论的多阈值图像分割[D].河南师范大学，2013.

[4]张永丰.工程图纸矢量化技术研究[D].东北石油大学，2011.

[5]孙敏.基于混沌布谷鸟算法的多阈值灰度图像分割[J].长春理工大学学报，2020，43（01）：112-119.

[6]刘鑫晶.细胞膜机制萤火虫算法优化多阈值Ostu图像分割[J].小型微型计算机系统，2020，41（02）：410-415.

[7]胡秋萍.基于叶片形状特征的植物识别技术研究[D].西安电子科技大学，2014.

[8]王森，伍星，刘韬，等.基于二进小波变换的多尺度图切割方法[J].计算机工程与应用，2015，51（13）：9-14.