一、半阈值分割
- 半阈值分割是图像处理中的一种阈值分割方法，结合了全局阈值和局部阈值的特性，旨在更灵活地处理图像中不同区域的灰度分布差异。
二、核心原理
全局阈值分割：
对整个图像使用单一阈值（如Otsu法、最大熵法），适合灰度分布均匀的图像。局部阈值分割：
在不同区域动态计算阈值（如滑动窗口法），适合光照不均或背景复杂的图像。半阈值分割：
在全局阈值的基础上，对特定区域引入局部调整，或通过混合策略（如全局阈值+边缘检测）实现更精细的分割。
三、典型实现方式
方式1：全局阈值与局部区域结合
1、全局阈值初分割：
用全局阈值将图像分为前景和背景。2、局部优化：
对边缘区域（如过渡带或模糊区域）使用局部阈值二次处理，提升细节保留。
方式2：多阈值混合
- 对高对比度区域使用全局阈值，对低对比度区域改用局部阈值，通过权重或条件判断结合两种结果。
方式3：结合边缘信息
- 1、用Canny等算法检测边缘。
- 2、在边缘附近应用局部阈值，非边缘区域使用全局阈值，减少噪声干扰。
四、数学表示示例
假设图像I(x,y)，半阈值分割可表示为：
五、优点与缺点
| 平衡计算效率与精度 | 参数调整复杂（如过渡区域定义） |
| 保留全局一致性的同时增强局部细节 | 可能引入边界不连续问题 |
| 适合处理灰度渐变图像 | 对噪声敏感，需预处理 |
六、应用场景
医学影像：分割肿瘤时，核心区域用全局阈值，边缘模糊部分用局部阈值。
文档扫描：处理光照不均的文本，背景用全局阈值，阴影区域局部优化。
工业检测：检测表面缺陷，高对比度区域全局处理，细微裂纹局部增强。
七、与自适应阈值的区别
自适应阈值：
完全依赖局部窗口计算阈值（如均值法、高斯加权），计算量大。半阈值分割：
策略性混合全局与局部，减少计算量，更适合特定场景（如已知部分区域特性）。
八、实际工具中的使用
OpenCV示例：
结合cv2.threshold()（全局）与cv2.adaptiveThreshold()（局部），通过掩模混合结果。MATLAB：
利用imbinarize()全局分割后，对ROI区域进行局部调整。
九、总结
- 半阈值分割通过全局与局部策略的协同，在效率与精度之间取得平衡，尤其适用于灰度分布不均匀但部分区域特征明确的图像。
其成功依赖于对图像先验知识的合理利用（如过渡区域定义、噪声水平等）。
