数字图像处理技术始于20世纪50年代，早期的图像处理是为了满足人的视觉需求，其以人为服务对象，通过改善图像的质量进而改进图像的视觉效果。从信息处理的过程来看，输入质量低的图像，输出质量优化的图像。图像分割是这个处理过程中基础的一环，经过这一过程，可以将输入图像的核心部分和背景部分分离开来，从而有针对性的对这些部分进行差异性处理。阈值分割是图像分割方法之一，考虑到相同或者相似目标所具备的灰度值相似性，以及不同目标之间灰度值的差异性，选取合适的灰度值，将不同目标进行分割。本课题就是在这样的意义和背景之下，对阈值分割中的熵分割算法进行研究与实现。

1.2 本论文的主要内容

本论文从阈值分割的主要方法之间的对比分析开始，主要着手于熵分割算法的研究与实现，根据给定的待分割图像，进行直方图统计，设计基本的熵分割算法和多级熵分割算法，并且对结果进行对比分析。其具体安排如下：

第1章为绪论部分。主要阐述了本课题的意义以及背景，也介绍了本论文的布局和概要内容。

第2章为相关基础部分。介绍了阈值分割中的几种主要算法，并加以对比分析，为后续的熵分割算法做理论准备。

第3章为论文主体部分。介绍BMP图像格式、灰度直方图及其处理等基本知识，在此基础上进行单级熵分割以及改进的多级熵分割算法的研究与实现，并对两者所得的结果进行对比分析。

2 阈值分割基础知识

2.1 阈值分割概述

阈值分割因为其原理简单且容易实现，一直以来都是图像分割方法中的主要算法。具体操作是根据图像的若干灰度级设定一个灰度级作为阈值，或者称为门限，将图像中像素的灰度值与这一阈值或门限逐一进行比较，当图像中像素的灰度值大于这一特定阈值时，这些像素被划分为一类，而图像中灰度值低于这一特定阈值时，则被划分为另一类，从而实现对图像的目标和背景进行分离。

灰度阈值分割是一种能产生闭合的连通边界的简单分割技术。[2]如果图像中目标区域具有内部均匀一致的灰度值，且分布在具有均匀灰度值的背景上，同时，目标区域与背景区域有严格的界限，这样的直方图一般呈现双峰特性，使用灰度阈值分割的效果较好。

基于这个原理，当图像的直方图整体并不呈现良好的双峰特性的时候，可以通过小范围的划分直方图，实现多个小范围的具备良好双峰特性的区域，以多阈值进行分割，也能达到较好的分割效果。

基本的阈值分割是一种二值化处理，就是将图像中灰度值大于阈值T的像素设置为白（对应于灰度值255），而图像中灰度值小于阈值T的像素设置为黑（对应于灰度值0），从而使原始的灰度图像f(x,y)转换成了黑白二值图像g(x,y)。

2.2 典型的自动阈值分割算法

随着计算机以及其所代表的自动化技术融入我们的生活，任何领域的发展，都必然向着这个方向前进。传统的基于灰度直方图的峰谷方法虽然简单且非常有效，但是其必须要求灰度图像具有严格的双峰特性的局限性，注定其不能独领风骚。自适应，也就是自动阈值图像分割算法的研究，顺应发展大势的走上舞台。下面就介绍几种主要的自动阈值图像分割算法。

2.2.1 p - 参数法

p -参数法的算法思想：选取一个合适阈值Th,使得按照这个阈值分割出的目标部分比例和预先已知的目标物所占比例尽可能的吻合。

具体实现步骤如下：

    ① 计算理想状态下的目标物所占图像的比例 p （也可能是预先已知）。