可以看出，确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据图像本身的特点，可分为单阈值分割方法和多阈值分割方法：也可分为基于像素值的阈值分割方法、基于区域性质的阈值分割方法和基于坐标位置的阈值分割方法．若考虑分割算法所用的特征或准则的特点，还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松弛法、模糊集法等。在这里我们只介绍手动阈值分割（又称双峰阈值分割或者全局阈值分割），迭代算法阈值分割，大津法（OTSU法）阈值分割。
2.1.1．手动（全局）阈值分割
手动阈值分割算法，由于工作原理是用一个手动设定的灰度阈值对整个图像做分割，进而产生二值图像，所以又称全局分割算饭，同时这种分割算法对于图像灰度直方图呈双峰分布时比较有效，故又称双峰分割算法。若图像中目标和背景具有不同的灰度集合：目标灰度集合与背景灰度集合，且两个灰度集合可用一个灰度级阈值T进行分割。这样就可以用阈值分割灰度级的方法在图像中分割出目标区域与背景区域，这种方法称为灰度阈值分割方法。
在物体与背景有较强的对比度的图像中，此种方法应用特别有效。比如说物体内部灰度分布均匀一致，背景在另一个灰度级上也分布均匀，这时利用阈值可以将目标与背景分割得很好。如果目标和背景的差别是某些其他特征而不是灰度特征时，那么先将这些特征差别转化为灰度差别，然后再应用阈值分割方法进行处理，这样使用阈值分割技术也可能是有效的 设图像为f(x,y)，其灰度集范围是[0,L]，在0和L之间选择一个合适的灰度阈值T，则
图像分割方法可由式（2.1）描述
?1if f(x,y) > Tg(x, y)???0if f(x,y) < T（2.1）
这样得到的g(x,y)是一幅二值图像。这时T的大小将直接影响分割的效果。由于这种分割算法适用范围有限，而且要手动设定灰度阈值，过程复杂而且有时灰度阈值不易寻找，进而出现了自动阈值分割，主要是迭代算法和大津算法（OTSU）阈值分割。
2.1.2．迭代算法阈值分割
迭代算法是对双峰法的改进，它首先选择一个近似阈值T，将图像分割成两个部分G1和G2，然后计算G1和G2像素的平均灰度值m1和m2，选择新的分割阈值T= T = (m1 + m2) / 2;重复以上步骤，知道T不变为止。迭代法适合图像直方图有明显波谷。 迭代算法是基于逼近的思想，其主要步骤如下： 1.为全局阈值选择一个初始估计值T(图像的平均灰度)。
2.用T分割图像。产生两组像素：G1有灰度值大于T的像素组成，G2有小于等于T像素组成。
3.计算G1和G2像素的平均灰度值m1和m2； 4.计算一个新的阈值:T = (m1 + m2) / 2;
5.重复步骤2和4,直到连续迭代中的T值间的差小于一个预定义参数为止。 然后再用阈值分割对图像进行分割得到二值灰度图像。
2.1.3．大津算法阈值分割
大津法（OTSU）是一种确定图像二值化分割阈值的算法，由日本学者大津于1979年提出。从大津法的原理上来讲，该方法又称作最大类间方差法，因为按照大津法求得的阈值进行图像二值化分割后，前景与背景图像的类间方差最大。
对于图像f(x,y)，前景(即目标)和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1。图像的总平均灰度记为μ，类间方差记为g。
假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有： ω0=N0/ M×N (1) ω1=N1/ M×N (2) N0+N1=M×N (3) ω0+ω1=1 (4) μ=ω0*μ0+ω1*μ1 (5)
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2 (6) 将式(5)代入式(6),得到等价公式:
g=ω0ω1(μ0-μ1)^2 (7) 这就是类间方差
采用遍历的方法得到使类间方差g最大的阈值T,即为所求。然后再用所得到的T进行全局阈值分割得到二值图像。
2.2.边缘检测原理
图像分析和理解的第一步常常是边缘检测。边缘检测方法是人们研究得比较多的一种方法，它通过检测图像中不同区域的边缘来达到分割图像的目的。边缘检测的实质是采用某种算法来提取出图像中对象与背景问的交界线。我们将边缘定义为图像中灰度发生急剧变化的区域边界。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。经典的边缘检测方法，是通过对原始图像中像素的某小邻
域构造边缘检测算子来达到检测边缘这一目的。
2.2.1．roberts算子边缘检测
函数的梯度定义为
通常把梯度的模叫做图象的梯度。对于数字图象，可以用差分来近似微分roberts算子模板的形式就是
2.2.2．prewitt算子边缘检测
Prewitt算子由两部分组成，检测水平边缘的模板和检测垂直边缘的模板。
对数字图像f(x，y)，Prewitt算子的定义如下：
水平方向Gx=[f(i-1,j-1)+f(i-1,j)+f(i-1，j+1)]-[f(i+1,j-1)+f(i+1，j)+f(i+1，j+1)] 垂直方向Gy=[f(i-1,j+1)+f(i,j+1)+f(i+1，j+1)]-[f(i-1,j-1)+f(i,j-1)+f(i+1，j-1)] G(i,j)=|Gx|+|Gy|。
经典Prewitt算子认为：凡灰度新值大于或等于阈值的像素点都是边缘点。即选择适当的阈值T，若G(i,j)≥T，则G(i,j)为边缘点。这种判定是欠合理的，会造成边缘点的误判，因为许多噪声点的灰度值也很大，而且对于幅值较小的边缘点，其边缘反而丢失了。
2.2.3．sobel算子边缘检测
Sobel算子也有两个，一个是检测水平边缘的模板 ，另一个是检测水平边缘的
模板 。sobel算子的另一种形式是各向同性Sobel算子，也有两个模板组成，
一个是检测水平边缘的 ，另一个是检测垂直边缘的 。各向同性
Sobel算子和普通Sobel算子相比，位置加权系数更为准确，在检测不同方向的边缘时梯度的幅度一致。本文中我们使用原始的sobel算子。
2.2.4．高斯laplacian算子边缘检测
Laplacian算子定义为
它的差分形式为
laplacian表示成模板的形式就是 。Laplace算子是一种各向同性算子，在
只关心边缘的位置而不考虑其周围的象素灰度差值时比较合适。Laplace算子对孤立象素的响应要比对边缘或线的响应要更强烈，因此只适用于无噪声图象。存在噪声情况下，使用Laplacian算子检测边缘之前需要先进行低通滤波。在本文中我们先进性高斯平滑处理再使用laplacian算子进行边缘检测。
2.2.5．canny算子边缘检测
Canny边缘检测基本原理
(1)图象边缘检测必须满足两个条件：一能有效地抑制噪声；二必须尽量精确确定边缘
