灰度使用黑色调表示物体，即用黑色为基准色，不同的饱和度的黑色来显示图像。每个灰度对象都具有从0%（白色）到灰度条100%（黑色）的亮度值。灰度分布是指一幅灰度图像的灰度值的分布情况，一般通过灰度直方图来表示。
灰度使用黑色调表示物体，即用黑色为基准色，不同的饱和度的黑色来显示图像。每个灰度对象都具有从 0%（白色）到灰度条 100%（黑色）的亮度值。灰度分布是指一幅灰度图像的灰度值的分布情况，一般通过灰度直方图来表示。
简介
灰度值是指将灰度对象转换为 RGB 时，每个对象的颜色值。把白色与黑色之间按对数关系分成若干级，称为“灰度等级”。范围一般从 0 到 255，白色为 255，黑色为 0，故黑白图片也称灰度图像，在医学、图像识别领域有很广泛的用途。灰度分布是指灰度图像的灰度值的分布情况，反映了图象的最基本的统计特征。灰度分布主要应用于图像分割中，通过对灰度图像的灰度分布的理解，来分析图像一些性质。
灰度图像
在计算机领域中，灰度（Gray scale）数字图像是每个像素只有一个采样颜色的图像。这类图像通常显示为从最暗黑色到最亮的白色的灰度，尽管理论上这个采样可以任何颜色的不同深浅，甚至可以是不同亮度上的不同颜色。灰度图像与黑白图像不同，在计算机图像领域中黑白图像只有黑白两种颜色，灰度图像在黑色与白色之间还有许多级的颜色深度。但是，在数字图像领域之外，“黑白图像”也表示“灰度图像”，例如灰度的照片通常叫做“黑白照片”。在一些关于数字图像的文章中单色图像等同于灰度图像，在另外一些文章中又等同于黑白图像。
灰度图像经常是在单个电磁波频谱如可见光内测量每个像素的亮度得到的。
用于显示的灰度图像通常用每个采样像素 8 bits 的非线性尺度来保存，这样可以有 256 种灰度（8bits 就是 2 的 8 次方=256）。这种精度刚刚能够避免可见的条带失真，并且非常易于编程。在医学图像与遥感图像这些技术应用中经常采用更多的级数以充分利用每个采样 10 或 12 bits 的传感器精度，并且避免计算时的近似误差。在这样的应用领域流行使用 16 bits 即 65536 个组合（或 65536 种颜色）。
灰度直方图
灰度直方图是关于灰度级分布的函数，是对图像中灰度级分布的统计。灰度直方图是将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率。灰度直方图是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。如果将图像总像素亮度（灰度级别）看成是一个随机变量，则其分布情况就反映了图像的统计特性，这可用 probability density function （PDF）来刻画和描述，表现为灰度直方图。可以通过直方图的状态来评断图像的一些性质：明亮图像的直方图倾向于灰度级高的一侧；低对比度图像的直方图窄而集中于灰度级的中部，高对比度图像的直方图成分覆盖的灰度级很宽而且像素的分布没有不太均匀，只有少量的垂线比其他高许多。直观上来说：若一幅图像其像素占有全部可能的灰度级并且分布均匀，则这样的图像有高对比度和多变的灰度色调。从概率的观点来理解，灰度出现的频率可看作其出现的概率，这样直方图就对应于概率密度函数(probabilitydensityfunction)，而概率分布函数就是直方图的累积和，即概率密度函数的积分。
图像分割
概述
图像分割即将图像分成具有各自特性的同质区域并提取出感兴趣目标物体的技术和过程，它是图像处理到图像分析的关键步骤，是图像处理和机器人视觉领域的基本问题之一。图论是应用数学的一个分支， 主要以图为研究对象， 与图像之间有很好的映射关系， 近年来使用图论中许多成熟的理论和数学工具进行图像分割已成为图像分割领域研究的热点。其主要思想是将待分割图像映射为加权图， 图像的像素构成图的顶点集， 其特征信息(灰度、 颜色等)对应每个顶点的属性， 像素之间的相邻关系对应图的边集， 边的权值对应像素之间的相似性或差异性。将图像映射为图后， 图像分割过程可以看作是根据像素的特征信息， 对每一个像素分配标记的过程，相同特性的像素具有相同的标记， 不同特性的像素具有不同的标记。图像分割的结果是图像上子区域的集合（这些子区域的全体覆盖了整个图像），或是从图像中提取的轮廓线的集合（例如边缘检测）。一个子区域中的每个像素在某种特性的度量下或是由计算得出的特性都是相似的，例如颜色、亮度、纹理。邻接区域在某种特性的度量下有很大的不同。
图像分割两种策略
1) 根据图像灰度值的相似性或同质性将图像划分为区域，目标物体通过部分区域的合并产生，例如阈值法、 聚类法、区域分离以及区域融合等。
2) 根据图像灰度值的不连续性和突变性寻找目标物体或其轮廓的位置，根据该位置进行空间上的延伸，即通过检测图像的特征点、线、面进行图像分割，例如边缘检测法。
