直方图是图像的统计量,记录了图像中每个像素值出现的频率。直方图分割法是一种基于直方图的二值化方法,在图像的直方图上寻找合适的阈值来分离目标和背景。具体方法是:首先计算图像的直方图,然后根据直方图的形状,寻找直方图波峰和波谷之间的最小值,作为阈值。
由于直方图分割法只考虑了直方图上的单一特征,通常需要进行多次试验寻找最佳阈值。但是这种方法不仅对噪声具有一定的鲁棒性,在处理非均匀光照下的图像时也有良好的效果。
最小错误法又称为贝叶斯判别法,是一种基于概率的二值化方法。其主要思想是根据图像灰度值确定概率分布,然后计算两个概率分布之间的最小错误概率,将最小错误概率对应的阈值作为分割阈值。
最小错误法需要在先验概率已知的情况下进行,且对噪声有一定的敏感性。但是适用于处理光线强度差异较大或背景复杂的图像。
局部阈值法是指将图像分成若干个小块,对每个小块单独计算二值化阈值。因为每个区域的灰度分布不同,不同区域的合适二值化阈值也不同。常用的局部阈值法有NIBLACK阈值法和SAUVOLA阈值法。
NIBLACK方法采用对每个像素周围的局部窗口内像素值进行灰度均值和标准差计算得到的灰度门限,算法简单,计算量较小,适用于对中小型文本图像的二值化处理;SAUVOLA方法采用了与NIBLACK方法相似的局部自适应算法,通过计算均值和方差调整阈值,可以对图像的光照不均匀问题较好地进行二值化处理。
动态阈值法也叫作自适应阈值法,是指根据图像内容自适应地获取二值化阈值,而不是指定一个固定的阈值。动态阈值法是通过对图像局部统计参数的分析来确定每个像素二值化的阈值,因此能够很好地解决光照不均匀、背景复杂等问题。
常用的动态阈值法有基于均值的方法、基于局部灰度方差的方法、基于局部灰度梯度的方法等。