8.1.7 粘连颗粒图像二值化的结果与分析
在颗粒图像二值化中可以用最大类间方差法、迭代法以及依据像素灰度直方图分布等方法来判断图像的分割阈值。不同的方法各具优缺点，其中依据灰度直方图分布判断阈值的方法效果最好，其结果如图8.6所示。
依据灰度直方图分布判断阈值需要人为地选择最佳阈值，如在直方图中，背景像素点几乎在灰度值40附近，而目标区域集中在灰度值120附近，可以选择灰度值80作为最佳阈值，将图像分为白色的目标像素点与黑色的背景像素点。该方法可以在大量实验的基础上充分利用预先统计的先验知识来求得最佳的阈值，但是当图像的目标或背景发生变化时，该方法的阈值由于已经设定的原因无法适应新的图像类型。因此实际应用中通常也会采用最大类间方差法与迭代法来求阈值，其对于同一幅图像的实验结果如图8.7所示。
图8.6 直方图选取阈值过程图
(a)细胞灰度图；(b)二值化结果图；(c)灰度分布直方图
图8.7 其他方法图像二值化效果图(https://www.daowen.com)
(a)迭代法求阈值的二值化结果；(b)最大类间方差法二值化结果
通过计算得出迭代法求得的最佳阈值为99.8，最大类间方差法求得的最佳阈值为87.3。从二值化结果中可以看出，利用迭代法时有一部分目标内部像素点由于接近黑色而被划分为背景像素，该方法优点是计算量小、速度快。利用最大类间方差法能更好地将目标与背景像素区分开来，虽然目标内部含有少量的误判像素点，但其结果已经可以满足下一步的图像处理需求。
在进行二值化处理时，由于最大类间方差法得到的分割结果良好，而且适用性强，可以处理不同类型的颗粒图片，综合考虑图像二值化的处理效果与算法的鲁棒性等因素，采用最大类间方差法对玉米颗粒图像进行二值化处理，其结果见图8.8。
图8.8 玉米颗粒图像二值化结果
(a)玉米颗粒图像；(b)二值图像
观察结果可知图像二值化处理可以将原始图像先转化为灰度图像，再转化为黑白两色表示的二值图，去除了图像中复杂的灰度颜色、纹理、细节等信息，每个像素点只需用1位来表示，同时保留了图像中目标的形态、大小等信息。由于后续的图像处理是在二值图像上对目标颗粒的形状进行优化，只需要颗粒的形状信息，因此二值化处理后简单的二值图像为后续的图像快速处理打下了良好的基础。
