前言像素灰度值仅仅反映了像素灰度级的幅值大小，并没有反映出像素与邻域的空间相关信息。二维灰度直方图的概念二维灰度直方图：像素的灰度值分布和邻域的平均灰度值分布构成的二维直方图二维直方图的值N(i,j) 。其中，i=f(x,y) 图像(x,y)的灰度值。j=g(x,y) 图像(x,y)位置邻域的平均灰度值。对于一幅MxN大小的灰度图像可以利用像素点的灰度值和其邻域平均灰度值组成的二元组(i,j)来表示图像。若设二元组(i j)出现的频数为Ω;则相应的联合概率密度p(i,j)为:p(i,j)=Ω/(
阈值分割引言C#阈值分割有非常多的算法，大体上分为全局和局部算法。
全局算法包括全局固定阈值和基于图像直方图的阈值，局部算法包括局部动态阈值分割。
基于图像直方图阈值分割的方法也有很多，比如常规的高斯滤波双峰法，OTSU大津法。
但是这类所有的法都基于一个假设：图像是有前景和背景的，待分割目标处于背景中，即图像直方图是双峰的。
如果因为非均匀光照导致待分割目标不处于背景或前景中，即图像直方图无双峰，
那么基于图像直方图的所有法都是不甚理想的
只能在此基础上进行一定的变换，例如nbl算
阈值分割引言C#阈值分割有非常多的算法，大体上分为全局和局部算法。
全局算法包括全局固定阈值和基于图像直方图的阈值，局部算法包括局部动态阈值分割。
基于图像直方图阈值分割的方法也有很多，比如常规的高斯滤波双峰法，OTSU大津法。
但是这类所有的法都基于一个假设：图像是有前景和背景的，待分割目标处于背景中，即图像直方图是双峰的。
如果因为非均匀光照导致待分割目标不处于背景或前景中，即图像直方图无双峰，
那么基于图像直方图的所有法都是不甚理想的
只能在此基础上进行一定的变换，例如nbl算
阈值分割引言C#阈值分割有非常多的算法，大体上分为全局和局部算法。
全局算法包括全局固定阈值和基于图像直方图的阈值，局部算法包括局部动态阈值分割。
基于图像直方图阈值分割的方法也有很多，比如常规的高斯滤波双峰法，OTSU大津法。
但是这类所有的法都基于一个假设：图像是有前景和背景的，待分割目标处于背景中，即图像直方图是双峰的。
如果因为非均匀光照导致待分割目标不处于背景或前景中，即图像直方图无双峰，
那么基于图像直方图的所有法都是不甚理想的
只能在此基础上进行一定的变换，例如nbl算
阈值分割引言C#阈值分割有非常多的算法，大体上分为全局和局部算法。
全局算法包括全局固定阈值和基于图像直方图的阈值，局部算法包括局部动态阈值分割。
基于图像直方图阈值分割的方法也有很多，比如常规的高斯滤波双峰法，OTSU大津法。
但是这类所有的法都基于一个假设：图像是有前景和背景的，待分割目标处于背景中，即图像直方图是双峰的。
如果因为非均匀光照导致待分割目标不处于背景或前景中，即图像直方图无双峰，
那么基于图像直方图的所有法都是不甚理想的
只能在此基础上进行一定的变换，例如nbl算
阈值分割引言C#阈值分割有非常多的算法，大体上分为全局和局部算法。
全局算法包括全局固定阈值和基于图像直方图的阈值，局部算法包括局部动态阈值分割。
基于图像直方图阈值分割的方法也有很多，比如常规的高斯滤波双峰法，OTSU大津法。
但是这类所有的法都基于一个假设：图像是有前景和背景的，待分割目标处于背景中，即图像直方图是双峰的。
如果因为非均匀光照导致待分割目标不处于背景或前景中，即图像直方图无双峰，
那么基于图像直方图的所有法都是不甚理想的
只能在此基础上进行一定的变换，例如nbl算
阈值分割引言C#阈值分割有非常多的算法，大体上分为全局和局部算法。
全局算法包括全局固定阈值和基于图像直方图的阈值，局部算法包括局部动态阈值分割。
基于图像直方图阈值分割的方法也有很多，比如常规的高斯滤波双峰法，OTSU大津法。
但是这类所有的法都基于一个假设：图像是有前景和背景的，待分割目标处于背景中，即图像直方图是双峰的。
如果因为非均匀光照导致待分割目标不处于背景或前景中，即图像直方图无双峰，
那么基于图像直方图的所有法都是不甚理想的
只能在此基础上进行一定的变换，例如nbl算
Halcon 中的全局阈值分割算子 binary_threshold 中，Method = 'max_separability' 指的就是Otsu法（最大类间方差法，有时也称之为大津算法）。Otsu 算法也叫全局最优阈值处理，使用聚类思想，把图像的灰度数按灰度级分成2个部分，使得两个部分之间的灰度值差异最大，每个部分之间的灰度差异最小，通过方差的计算来寻找一个合适的灰度级别来划分。 所以可以在二值化的时候采用otsu算法来自动选取阈值进行二值化。otsu算法被认为是图