为了解决低照度图像的细节信息缺少和清晰度低的问题,在HSV(Hue, Saturation, Value)色彩空间中,采用非下采样剪切波变换(NSST)与Retinex理论的融合算法对低照度图像进行处理。首先对HSV空间的V分量进行分解,得到多个高通子带与一个低通子带,对高通子带采用改进的基于贝叶斯萎缩的自适应阈值算法完成去噪,对低通子带采用改进的自适应局部色调映射算法提高对比度,然后对两个子带进行NSST逆变换以得到新的V分量并对其进行白平衡处理,最后将处理后的图像反转到RGB(Red,Green,Blue)空间中得到结果图像。实验结果表明,所提算法能够改善低照度图像的质量,提高清晰度与对比度。

针对传统Canny 边缘检测算法的阈值需要人为设定的缺陷，本文提出了一种新的自适应改进方法。该方法 根据梯度直方图信息，提出梯度差分直方图的概念，同时，对图像进行自适应分类处理，使得算法不仅不需要人 工设定阈值参数，而且还能有效地避免Canny 算法在边缘寻找中的断边和虚假边缘现象。对边缘信息丰富程度不 同的灰度图和彩色图像运用该方法寻找边缘的实验结果表明，对于在目标与背景交界处的多数像素梯度幅值较大 的图片，该算法具有边缘检测能力强、自适应能力强的优点

针对复杂运动背景中慢速小目标检测误检率高，实时性差等问题，提出了基于自适应阈值分割的慢速小目标检测算法。首先计算连续两帧图像特征点的金字塔光流场，对光流场进行滤波，获取匹配特征点集合。然后对图像运动背景进行建模，拟合投影模型参数，通过投影模型得到运动背景补偿图像，进行图像差分处理，获得差分图像。最后迭代计算差分图像的自适应阈值，修正差分阈值，差分图像二值分割，检测出运动目标。实验结果表明算法能够准确地检测出复杂背景中的慢速小目标，虚警率为2%，目标漏检率为2.6%，目标检测准确率95.4%，每帧图像目标检测时间为38ms，能够满足运动目标检测对实时性的要求。

python+numpy实现自适应阈值分割函数OSTU，巩固编程基础以及图像处理基础

利用基于直方图的自适应阈值方法实现分割前景与背景 a）设定三个不同阈值，直接观察分割结果； b) 利用统计直方图，得到一个自适应的阈值，再观察实验结果； c) 以报告形式（word）阐述对所采用的基于直方图的自适应阈值法、实验结果以及对实验结果的分析。具体格式不限，但条理要清晰

基于CURVELET变换的自适应阈值图像去噪方法

运用核密度自适应阈值背景建模算法对运动目标进行检测，文档加代码，实现效果较好

采用时域的自适应阈值法提取R峰，并返回R峰位置信息

基于模糊的自适应阈值分割，采用vc6.0下opencv1.0实现查找波峰，确定最佳阈值

用于图像处理的自适应阈值分割算法，在matlab上实现的