阈值分割法可以说是图像分割中的经典⽅法，它利⽤图像中要提取的⽬标与背景在灰度上的差异，通过设置阈值来把像素级分成若⼲类，从⽽实现⽬标与背景的分离。 支持向量机⼀般流程：通过判断图像中每⼀个像素点的特征属性是否满⾜阈值的要求，来确定图像中的该像素点是属于⽬标区域还是背景区域，从⽽将⼀幅灰度图像转换成⼆值图像。
⽤数学表达式来表⽰，则可设原始图像f(x,y),T为阈值，分割图像时则满⾜下式：
大和银行阈值分割法计算简单，⽽且总能⽤封闭且连通的边界定义不交叠的区域，对⽬标与背景有较强对⽐的图像可以得到较好的分割效果。但是，关键问题来了，如何获得⼀个最优阈值呢
以下是⼏种最优阈值的选择⽅法：
（1）⼈⼯经验选择法：
也就是我们⾃⼰根据需要处理的图像的先验知识，对图像中的⽬标与背景进⾏分析。通过对像素的判断，
环渤海经济圈图像的分析，选择出阈值值所在的区间，并通过实验进⾏对⽐，最后选择出⽐较好的阈值。这种⽅法虽然能⽤，但是效率较低且不能实现⾃动的阈值选取。对于样本图⽚较少时，可以选⽤。
（2）利⽤直⽅图
利⽤直⽅图进⾏分析，并根据直⽅图的波峰和波⾕之间的关系，选择出⼀个较好的阈值。这样⽅法，准确性较⾼，但是只对于存在⼀个⽬标和⼀个背景的，且两者对⽐明显的图像，且直⽅图是双峰的那种最有价值。
（3）最⼤类间⽅差法（OTSU）
OTSU是⼀种使⽤最⼤类间⽅差的⾃动确定阈值的⽅法。是⼀种基于全局的⼆值化算法，它是根据图像的灰度特性，将图像分为前景和背景两个部分。当取最佳阈值时，两部分之间的差别应该是最⼤的，在OTSU算法中所采⽤的衡量差别的标准就是较为常见的最⼤类间⽅差。前景和背景之间的类间⽅差如果越⼤，就说明构成图像的两个部分之间的差别越⼤，当部分⽬标被错分为背景或部分背景被错分为⽬标，都会导致两部分差别变⼩，当所取阈值的分割使类间⽅差最⼤时就意味着错分概率最⼩。 记T为前景与背景的分割阈值，前景点数占图像⽐例为w0，平均灰度为u0；背景点数占图像⽐例为w1，平均灰度为u1，图像的总平均灰度为u，前景和背景图象的⽅差g，则有：差不多先生传读后感
联⽴上式得：
或：
当⽅差g最⼤时，可以认为此时前景和背景差异最⼤，此时的灰度T是最佳阈值。类间⽅差法对噪声以及⽬标⼤⼩⼗分敏感，它仅对类间⽅差为单峰的图像产⽣较好的分割效果。当⽬标与背景的⼤⼩⽐例悬殊时（例如受光照不均、反光或背景复杂等因素影响），类间⽅差准则函数可能呈现双峰或多峰，此时效果不好。
鄂州职业大学教务处（4）⾃适应阈值法：
上⾯的最⼤类间⽅差阈值分割法在分割过程中对图像上的每个像素都使⽤了相等的阈值。但在实际情况中，当照明不均匀、有突发噪声或者背景变化较⼤时，整幅图像分割时将没有合适的单⼀阈值，如果仍采⽤单⼀的阈值去处理每⼀个像素，可能会将⽬标和背景区域错误划分。⽽⾃适应阈值分割的思想，将图像中每个像素设置可能不⼀样的阈值。
基本原理：
⼀种较为简单的⾃适应阈值选取⽅法是对每个像素确定以其⾃⾝为中⼼的⼀个领域窗⼝，寻窗⼝内像素的最⼤值与最⼩值，并取⼆者的平均值作为阈值，或者将窗⼝内所有像素的平均值作为阈值，亦或者将窗⼝内的所有像素的⾼斯卷积作为阈值。
。你发⼤时，可以认为此时前景和背景差异最⼤，此时的灰度T是最佳阈值。类间⽅差法对噪声以及⽬标⼤⼩⼗分敏感，它仅对类间⽅差为单峰的图像产⽣较好的分割效果。当⽬标与背景的⼤⼩⽐例悬殊时（例如受光照不均、反光或背景复杂等因素影响），类间⽅差准则函数可能呈现双峰或多峰，此时效果）⾃适应阈值法
诺贝尔生理医学奖
