1．2 图像二值化分割批处理
    在进行减背景运算后，噪声方差由σ2降为1／Mσ2，均方差降为原来的差值图像就只含有目标和能量减少后的噪声，更利于图像分割。
1．2．1 基于直方图的OTSU最大类问方差法
    OTSU最大类间方差法是在最小二乘法原理的基础上推导得出的。它通过利用直方图零阶、一阶累积矩来最大化判别函数，选择最佳阈值。设输入图像为f(x，y)，二值化后的图像为g(x，y)，阈值为T，那么图像二值化过程如下：
    计算输入图像灰度级的归一化直方图，用h(i)表示。
    计算灰度均值μT：

    求σB(k)(k=0，1，2，…，255)的最大值，并将其所对应的k值作为最佳阈值T，对输入图像进行二值化批处理：

   
    这样可以简单快速的分割出只含目标和能量减少的噪声的差值图像。
1．2．2 自适应阈值分割方法
    对于复杂图像，背景的灰度值并不是常数，物体和背景的对比度在图像中也有变化。这时，一个在图像中某一区域效果良好的阈值在其他区域可能效果很差。当图像中有阴影、背景灰度变化时，只用一个固定阈值对整幅图像进行阈值化处理，则会由于不能兼顾图像各处的情况而使分割效果受到影响。因此对于分割复杂图像，要充分考虑图像局部区域特性，将阈值选取成一个随图像中位置变化的函数值是比较合适的，这就是自适应阈值。
    自适应阈值的原理是将原始图像分为几个子图像，对每一个图像分别求出最优分割阈值。常用的方法有：
    Chow和Kandeko将图像均匀划分成若干不相重叠的7×7子图像，对每个具有双峰直方图的子图像用最小误差法确定阈值，而对于具有单峰直方图的子图像，由内差得到分割阈值。
    Bernsen给出一种比较简单的局部阈值算法。它是对每个像素确定以它为中心的一个窗口，计算窗口内灰度级的最大值和最小值，并取其平均值作为阈值。
    具体实现步骤是：
    (1)取图像的四角为图像的背景，取其平均值作为背景值，大于此值的作为目标，目标灰度的平均值作为目标值。
    (2)在第t步，分别计算背景和目标的灰度均值EB’和Eo’，其中在第t步将图像分割为背景和目标的阈值是T’，它是在前一步确定的。