时间：2022-02-08 11:32:55
图1是区域增长法的一个事例，图1（a）给出种子生长点，假设图像中有两个种子像素（通过不同颜色标记），需要对其进行生长。生长准则是如果所考虑的像素灰度值与像素种子之差的绝对值不大于某个阈值T，那么种子像素所在的区域就包括该像素。图1（b）给出的区域增长结果是T=3时的，整幅图像能被较好的分割成2个区域；图1（c）给出的区域增长结果是T=1时的，其中无法判定某些像素，图1（d）给出的区域增长的结果是T=8时，整幅图像都被分在1个区域中。从这些例子中可以发现，阈值的选取是很重要的。
把图像中各种灰度的像素分成两个不同的类，需要确定一个阈值。如果要把图像中各种灰度的像素分成多个不同的类，那么需要选择一系列阈值以将每个像素分到合适的类别中去。如果只用一个阈值分割称为单阈值分割方法，如果用多个阈值分割称为多阈值分割方法。单阈值分割可以看作是多阈值分割的特例，许多单阈值分割算法可推广以进行多阈值分割。反之，有时候也可以将多阈值分割问题转化为一系列单阈值分割问题来解决。不管用任何方法选取阈值，一幅原始图像f(x,y)取单阈值T分割后的图像可定义为：
本文采用对比度限制的直方图均衡化算法来计算映射函数p（fin（x,y））。首先，通过阈值T对直方图中灰度级的像素个数进行限制，将灰度级中像素个数大于T的像素设置为T，见公式（9）；然后将超出阈值的像素个数分配给低于阈值T的灰度级。与传统的等比例分配不同的是，本文采用灰度级的像素个数占比的方式进行分配，参见公式（10）：
符合这个特征的项目，最典型的就是2021年特别火爆的NFT头像。一提NFT头像，我猜不少人会想起一张张的像素图片，有些像素图片是小人头，有些是猿猴形象。最离谱的是这些头像还特别贵，一些看上去像素特别低的头像竟然能卖出5000多万人民币的天价。