图像分割

auto_threshold(Image : Regions : Sigma : ) * 对单通道图像做自动阈值（灰度直方图确定）分割Sigma：灰度直方图高斯光滑核（标准差），光滑消除噪声，并且分割区域 binary_threshold(Image : Region : Method, LightDark : UsedThreshold) * 使用二值阈值进行图像分割，用于背景色与前景色色差较为分明的图像，自动选取Sigma值进行高斯光滑处理，光滑直到灰度直方图只有一个最小值，这个最小值就是阈值；Method：分割方法，只适用于具有双峰直方图的图像。　　　　smooth_histo方法提供了与bin_threshold操作符相同的功能。　　　　max_separability方法倾向于为UsedThreshold确定较小的值。此外，它对距离光谱其余部分很远的柱状图中孤立的薄峰不太敏感，而且通常比smooth_his更快LightDark：提取前景色还是背景色 'light' 'dark' char_threshold(Image, HistoRegion : Characters : Sigma, Percent : Threshold) * 为提取字符执行阈值分割，适用于不是很明显的出现极小值的情况（色差相对小）Image：用于提取字符的图像HistoRegion

磨染的初心——计算机视觉的现状（3.1）：图像分割 为了通过材质、形状、结构识别目标，对图像进行分割应该是必然的选择 。在这一点上计算机视觉研究者们算是勉强达成了共识，图像分割甚至被很多研究者列为计算机视觉的基本任务之一了。很多图像分割算法被提了出来，归纳起来可以分为基于阈值的方法、基于聚类的方法、基于区域的方法、基于图割的方法、活动边界模型和水平集、基于卷积神经网络的方法。 基于阈值的方法里，有全局一个阈值的，也有对图像不同区域使用不同阈值的。此类方法的关键在于确定阈值，然而 对于大多数图像即使遍历所有的取值也无法找到实现合理分割的阈值 ，因此该算法常用于符号识别、指纹识别和分割遥感领域中的各种指数图像（水体指数、植被指数、干旱指数、热红外影像）。 凡是认真思考或者亲身尝试过的，都会承认基于聚类的方法的分割结果难以令人接受。 所有的聚类算法都直接或者间接假设了类别内部的样本密度高于类别边界的样本密度 。观察过一些图像的直方图后就会发现， 像素在像元值空间的分布形状通常都类似钟型曲线（只有一个凸起），也就是说按照聚类算法的假设应该将全部像素聚为一类 。即使同时使用多个图像通道，这种情况也没有什么改观。没有或者难以使用空间信息是基于聚类的方法的直接缺陷， 导致分割结果形状复杂、越过显而易见的边界 。通常基于聚类的方法都作为其他算法的预处理步骤，在图像处理领域用于压缩颜色数量。

论文题目：Multi-Thresholding Image Segmentation Using Genetic Algorithm（遗传算法多阈值图像分割） 一、综述 作者使用遗传算法对多对象和背景的图像进行分割。 二、研究内容与方法 （1）介绍 图像分割的准确率受预处理结果影响较大。 作者结合多阈值分割和遗传算法，通过寻找阈值，将阈值问题转换成优化问题。最大化目标与背景之间的方差，最小化目标自身的背景像素间的方差。 （2）图像阈值 由于灰度图像处理简单，因此一般将彩色图像转换为灰度图像进行预处理。最常用的灰度级为256（0-255）。 图像阈值是一种用在灰度图上的分割方法。该方法旨在寻找一个合适的阈值，将背景和目标对象分隔开来，像素值低于阈值为背景，否则为目标对象。 基于阈值的算法通常被分为单极阈值和多级阈值。通常若图像中包含n个对象和背景，则定义n 个阈值。 如何寻找适合分割的阈值：将彩色图像转换成灰度图，绘制图像的一维直方图，直观显示具有相同灰度级的像素个数。二分类只有一个阈值，尝试所有0—L-1的数，找到划分最好的那个值作为阈值；多分类需要找到多个阈值，那么如何寻找拥有好的性能的多组阈值是接下来要做的。 （3）遗传算法 遗传算法是一种模仿基因的元启发式算法，当不存在一个确定的方法或着确定的方法计算复杂时可以用该算法做最优近似。 遗传算法具有N个种群，则初始值为N个随机解