1. 研究目的与意义
图像分割是一种既重要又关键的图像分析技术。它就是把图像分成各具特性的区域并提取出感兴趣目标的过程。由于图像阈值分割的直观性和易于实现的性质，使它在图像分割应用中处在中心地位。然而阈值选取得当与否直接关系到图像分割效果的好坏。所以一直以来如何选取阈值是中外学者研究的一个重要课题。通过本课题的训练，学生不但能掌握matlab编程的基础知识，还能了解图像处理系统的基本工作过程，从而为以后的工作打下坚实的基础。
2. 课题关键问题和重难点
二、课题关键问题及难点
课题关键问题
(1)目标图像分布直方图的确定
3. 国内外研究现状（文献综述）
式识别领域的众多分类问题中。
通常来说，阈值选取算法可以根据算法的性质粗略划分为全局方法和局部方法。局部阈值化算法基于直方图函数的局部属性来选取阈值，比如根据存在的极大值和极小值。一个典型局部阈值化算法的例子是基于直方图局部最小值定位的谷底（thebottomofthevalleyapproach）算法。从原理上讲，这种方法依赖于灰度差值因此对噪声比较敏感。因而在这个过程中很重要的预处理就是对图像及其直方图进行平滑。此外，往往当地的极值点不一定保证存在，这时可采用直方图增强或者锐化算法用来克服解决这些困难。局部阈值化算法的一个优点就是它不需要先验知识就可以确定类别的数量。全局阈值化算法则是通过对直方图进行全局统计而得到选取标准。这种方法降低了对噪声的敏感度并且不需要进行图像增强，这些增强通常对单个的图像特征很敏感并且需要监督。最近以来，Wilson和Spann介绍了一种将局部阈值化方法和全局阈值化方法结合起来的集群算法，这种算法消除了以上大多数的不足之处。此处仅讨论全局阈值化方法，同时采用目前使用最广的两种算法进行了对比：Kittler与Illingworth提出的最小误差阈值算法以及Ostu算法。在大津算法中，阈值的选取是通过最大化类间方差实现的，这种方法基于类内的方差，类间方差以及整个灰度级的全局方差。该方法不需要输入参数，无需监督并且无需先验知识。该方法目前应用广泛，并且通常被当做标准算法与其他阈值算法结果进行比较。其主要不足是当两个基本分布存在不同方差时或者两个分布所包含元素数有较大不同时，该方法在阈值估计上存在偏差
在最小误差算法中，包括目标和背景的像素集都假定为正态分布。阈值选取的准则是使得像素集之间的平均误差最小。除了假设正态分布外，该方法还假设两个总体分布重叠较小同时推倒中所产生的截断误差可忽略。该方法试图绕过对直方图中两个分布均值，方差以及标准差的估计。当灰度确实是正态分布时该方法可以对阈值给出较好的估计，而当分布为单峰的正态分布时，该方法不能给出阈值估计。Cho等人对最小误差算法提出了改进，他们对截断造成的方差估计偏差进行了修正。由于建模的原理都是一致的，我们将作为基础进行讨论和比较。
4. 研究方案
Otsu法涉及到阈值t、目标均值μ0(t)和背景均值μ1(t)，如果用μ0(t)与μ1(t)构造的二值图像作为待分割图像的理想图像，则Otsu法的基本思想是从待分割图像和理想图像的匹配角度，通过最小化均方误差来获得最佳阈值。交叉熵（相对熵、有向散度）描述了两个概率分布的差异性程度，借用交叉熵并利用Otsu法的基本思想，Li和Lee给出了另一个阈值分割方法。我们从条件相关混合概率模型的角度，基于泊松分布对Li和Lee的方法进行了解释，这种解释使得Li和Lee方法的数学机理更加清晰，为其更好的使用奠定了坚实的理论基础。
从概率论和数理统计的知识知道，泊松分布和正态分布是有密切关系的，当泊松分布的参数l比较大时，可以用均值和方差均为l的正态分布来近似。鉴于Li和Lee方法可以用泊松分布进行解释，我们可以有理由的说，Li和Lee方法能更好的适用于灰度图像中目标和背景的方差相差较大的情形。（注：这里假定了图像中方差较小的部分处于较小灰度值处；方差较大的部分处于较大灰度值处。若出现相反的情形，只需反色即可。）
5. 工作计划
第1周准备开题报告，阅读并摘要与课题有关的中文资料，收集相关设计资料。
第2周准备开题报告，阅读并摘要与课题有关的中文资料，收集相关设计资料。
第3周完成开题报告，完成与课题相关的中文资料摘要。
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
