在QFN芯片封装缺陷检测中，增加图像分割环节可有效提高缺陷检测准确性与检测效率。针对图像分割中传统算法效率低、智能优化算法分割精度低稳定性差的问题，本文提出一种基于改进灰狼优化算法（IGWO）的图像多阈值分割方法。首先，改进原始灰狼优化算法非线性因子，平衡算法搜索效率与挖掘能力；其次，引入反向学习策略提高种群整体质量，引入正弦函数、调整头狼权重以改进灰狼更新策略，增强算法多样性与挖掘能力；然后，提出头狼靠拢与种群变异交替进行的位置更新策略，平衡算法收敛性能与跳出局部最优能力；最后，以Kapur熵为适应度函数，求解最优分割阈值。将本文提出的改进灰狼优化算法的多阈值图像分割方法，与灰狼优化算法（GWO）、基于翻筋斗觅食策略的灰狼优化算法（DSF-GWO）、基于莱维飞行的樽海鞘群优化算法（LSSA）、改进北方苍鹰算法（INGO）的图像分割方法进行实验对比，结果表明：本文方法在分割用时方面，约为DSF-GWO的1/2，INGO的1/4；在分割精度与稳定性方面，在进行QFN芯片缺陷图像的连续30次分割时，本文方法具有最大Kapur熵平均值、最小标准差与最短分割时间。因此本文方法可实现高精度、高稳定性与高效率的QFN芯片图像多阈值分割。

对灰度直方图呈现为双峰的图像，传统的二维直方图阈值分割方法虽然比较有效，但在灰度直方图呈现为无峰、单峰或多峰模式时，它们的分割结果较差。考虑到经过二维直方图映射得到的二维生存函数存在密度连续和形态统一等优点，本文基于图像二维生存函数提出一种快速二维累积剩余Tsallis熵阈值分割方法。该方法首先基于二维直方图构造二维生存函数，然后在二维生存函数的基础上定义计算分割阈值的二维累积剩余Tsallis熵目标函数。通过递推算法将计算目标函数的时间复杂度降为O(L2)。最后，基于递推形式的二维累积剩余Tsallis熵准则得到最优阈值向量以进行阈值分割。在26幅合成图像和76幅真实世界图像上将提出的方法与2种快速二维阈值分割方法、2种聚类分割方法以及1种活动轮廓分割方法分别在时间和误分类率（Misclassification Error，ME）2个指标下进行了比较。实验结果表明，在合成图像和真实世界图像中，相比于性能第2的方法，本文方法的时间平均缩短0.013 s，ME值平均降低0.051~0.089。提出的快速二维累积剩余Tsallis熵阈值分割方法不仅在计算效率方面优于对比的5种方法，而且在分割适应性和分割精度方面具有明显优势。

为了进一步提高自动驾驶感应模块中激光雷达点云地面分割算法的分割精度，提出一种基于种子点距离阈值和路面波动加权幅值自适应的地面点云分割算法。该算法在极坐标栅格地图划分的基础上，将种子点的选取判断阈值与二维平面的水平距离特征相关联，通过点云间的水平距离变化控制种子点集的更新；在道路模型拟合过程中，为解决斜坡路面模型更新停滞问题引入坡度连续性判断准则，根据路面波动加权幅值的变化建立点云的分割阈值方程，最终实现关于点云距离特征的自适应阈值分割。对开源数据集Semantic KITTI进行点云二分类数据处理，并在此基础上测试算法性能。实验结果表明：与现有算法相比，本文所述地面分割算法的精确率和召回率均提升了2%~4%，具有较高的准确性。

受目标和背景的大小比例、噪声或者随机细节等因素影响，灰度图像的灰度直方图可能呈现出无峰、单峰、双峰或者多峰模式。为了在统一框架内处理这4种不同直方图模式下的自动阈值选择问题，提出了一种平稳小波域多尺度乘积下的指数Renyi熵自动阈值选择方法。该方法首先利用平稳小波对原始图像进行水平、垂直和对角方向的多尺度变换，再对各个方向的高频子带进行多尺度乘积运算构造出融合图像；然后通过内外轮廓图像对融合图像进行采样重构一维直方图；最后计算重构直方图所对应的指数Renyi熵，并取最大值对应的阈值作为最终分割阈值。提出的方法与4种自动阈值分割方法、2种聚类分割方法以及2种活动轮廓分割方法进行了比较。在16幅合成图像和50幅真实世界图像上的实验结果表明：在合成图像集中，相比于分割精度第2的方法，平均马修斯相关系数提高了41.2%；在真实世界图像集中，相比于分割精度第二的方法，平均马修斯相关系数提高了20.8%。提出的方法具有更稳健的分割适应性，且在分割精度方面明显优于其他8个分割方法。

根据微通道板黑点检测原理与黑点光晕特征设计了一种检测方法，该方法利用圆提取技术实现荧光屏图像的半径和圆心提取，通过高斯拉普拉斯算子实现目标黑点粗检测。基于黑点在不同电压下外围呈现光晕的特征，利用对比度受限的直方图均衡化并结合阈值分割的光晕检测法实现黑点光晕的提取。测试结果表明，该方法可以将荧光屏划痕、灰尘与微通道板黑点有效区分，从而实现黑点的自动提取。

智能微型化的医用器械在医疗行业逐渐被人们所重视。这些产品主要是由一些微型电子元器件构成，其中器件核心芯片部分的点线连接结构需通过高精密焊接工作完成。因此焊点和被焊芯线的识别精度要求越来越高，两者是否能准确有效识别直接影响焊接的最终质量。为高质量完成焊接过程中的焊点和芯线识别，本文主要使用电子显微仪器结合上位机VS17+OpenCV软硬结合的方法完成图像处理，对所采集图像中的焊点和芯线端头进行识别。以焊点和芯线端头的颜色及几何特征作为分析对象，经预处理后再通过各自特征分析突出感兴趣区域部分，通过特定颜色阈值选取方式和对比度提升算法完成焊点和芯线端头的分割过程，要求所测量焊点及芯线端头的识别精度误差≤0.1 mm。实验结果表明：本文印刷电路板(PCB)焊点及芯线端头的识别算法能有效识别焊点及芯线端头图中所在位置并显示其像素坐标值；经数据整理分析，本文算法的识别精度误差均控制在允许的误差范围内。