1 前沿
阈值分割是图像预处理中关键的步骤，实质是对每一个象素点确定一个阈值，根据阈值决定当前象素是前景还是背景点，目前，已有大量的阈值处理方法，比如全局阈值和局域阈值，是最简单的分割方法，而后者则是把整幅图分成许多子图像，每幅图像分别使用不同的阈值进行分割。
本文分析了文献[1]中的算法，并在此基础上提出了一种改进的自适应阈值选取方法，实践证明，这种方法简单、计算量小、速度快、统计准确，可以适时获取图像的阈值，pcb图像分割的效果非常好，图像分割以后，保证了目标图形的完好无损，图象增强之后，使的开路和短路更加清晰、突出，为以后的图像处理做好了充分的准备工作。
2 算法理论
文献[1]中自适应阈值分割算法：
（1）将图像分成4个子图像；
（2）计算每个字图像的均值；
（3）根据均值设置阈值，阈值只应用在对应的子图像；
（4）根据阈值，对每个子块进行分割。
此算法中，将均值作为子块的阈值。
印刷电路板的灰度分布特征，如图1所示，其具有以下特征：
（1）具有明显的背景峰值和目标峰值；
（2）两个峰值距离较远，而且其间灰度值基本相等，没有明显的波谷；
（3）背景象素点和目标象素点的灰度变化具有连续性，目标边界的灰度是渐变的，不是突变的，如下图所示。
经实践证明，文献[1]中的算法不适合印刷电路板，分割的效果也不是很好，因为平均灰度不一定是直方图的波谷，而且在pcb的直方图中有很大一部分平坦的区域，甚至为0的灰度级，寻找极小值点比较困难，为了对pcb图像进行准确的分割，需要寻找另外一种有效的方法，注意到，平均灰度值点是在两个峰值之间（即，平均灰度值在背景灰度值和目标灰度值之间），而且靠近于波谷，所以考虑在其领域内寻找极小值点。 为了分割pcb的目标图像，可以先确定出直方图的目标峰，再确定极小值点，然后可以找出背景峰，将极小值点作为分割阈值，在目标峰和背景峰附近选择一个灰度值，分别作为开路、短路增强的阈值，在pcb图像中，但有时目标比较稀疏，但有时比较密集。寻找整个直方图的最大值点比较简单，但是如何确定这个峰值是背景峰还是目标峰，成为问题的关键。
对于一般的pcb图像，其目标（铜线）表现为高灰度，背景表现为低灰度，以下讨论一种可行的阈值搜索方法，如图2所示。
（1）找出最大的一个峰值所对应的灰度值。在全灰度区间[0，255]找出f（h）的最大值，其对应值即为h；
（2）计算图像的平均灰度：
（3）确定是背景峰还是目标峰：
如果h<hawe，平均灰度在最大值点的右侧，表明h是背景峰值，记为hb；
如果h<hawe，平均灰度在最大值点的左侧，表明h是目标峰值，记为hf。
（4）选取极小值点，在平均值点的30邻域内，寻找极小值，其对应值即为hmin。
注：邻域的大小可以根据实际情况自行选定。
（5）确定的第二个峰值点：
如果（3）中找到只是背景峰值hb，那么在灰度区间[hmin，255）找出f（h）的最小值，其对应值即为目标峰值点hf；
如果（3）中找到的是目标峰值hf，那么在灰度区间[0，hmin]找出f（h）的最小值，其对应值即为背景峰值点hb；
（6）以hmin为阈值，进行图像分割；
在背景峰值hb右侧附近找出一个灰度级（一般为hb+10），进行短路增强；
在目标峰值hf左侧附近找出一个灰度级（一般为hf-10）进行开路增强。
注：本算法特别适用于直方图的连续的图像，对于不连续的直方图，可以先进行临近插值，将直方图转换成连续图形，即可采用上述方法来确定阈值。
3 实验结果
当图像存在噪声时，通常采取两种做法：
（1）先滤波再做二值化处理，这样原图像将丢失大量的边缘细节信息，使得统计结果不够准确；
（2）不处理，但这样又会使图像中存在许多细小的噪声，同样统计结果也不够准确。
为了保证统计结果的准确性，既不要由于滤波的影响，而使图像的某些边缘丢失，线宽减小，又不可将那些噪声点误当成线条而统计进来，可以采用先二值化再去除噪声的方法。
本实验中，从摄像机中得到的图像比较清晰，噪声很少，所以对其直接处理。
该实验比较了文献[1]中的算法，结果表明该方法是一张实用性较好的方法，而且快速、简单
