标签：
二值化是图像分割最常用的实现方式。
对于如下这个简单图像（背景与前景较为单调）
如何计算图中小狗的位置与大小呢，如果我们将这幅转换为右侧的二值图，就简单很多了。只需图中值为“0”的最大连通区域，即为小狗所在的区域，由连通区域的像素个数辅以相机的焦距、拍摄距离等参数就能估计出小狗的实际尺寸。
一 统计直方图
横轴表示图像的明暗强度，纵轴表示对应强度的像素个数。当沿着横轴再对统计直方图进行累计时，就获得了累加统计直方图。
这两者广泛地用于图像二值化。
当物体与背景在图中的比例相等时，统计直方图会出现两个尖峰，此时二值化最为简单，通过计算两者之间的波谷的灰度值，作为二值化的阈值。
二 滤波
通常情况下，由于传感器噪声、背景与照明的影响我们无法直接获得“干净的”二值图。在二值化之前的滤波处理，能够使得图像亮度的过度平滑，方便利用统计直方图进行二值化。如下图，左下图先进行了高斯平滑，然后再二值化，获得了右下的二值图，较之先去获得了更干净的效果。
三 分裂与合并
更多应用场景都会较为复杂，譬如：一副图中有多个场景与物体；物体重叠；背景和物体明暗无规则等。
这时二值图会出现很多零碎的过度区域，这时需要进一步判断其所属的区域。
这时图像分割需要利用诸如：空间相关性、统计学方法、几何检测等方法辅助二值化进行图像分割。
版权声明：本文为博主原创文章，未经博主允许不得转载。
标签：
原文地址：http://blog.csdn.net/flushhj/article/details/47306765
