Thuật toán thresholding là một phương pháp phân ngưỡng trong xử lý ảnh và

phân tích hình ảnh. Mục tiêu của thuật toán này là chuyển đổi một hình ảnh xám
thành hình ảnh nhị phân, trong đó các điểm ảnh được phân loại vào hai nhóm:
một nhóm có giá trị cao hơn ngưỡng và một nhóm có giá trị thấp hơn ngưỡng.

Thuật toán thresholding đơn giản nhất là phân ngưỡng toàn cục (global
thresholding), nơi một ngưỡng duy nhất được áp dụng cho toàn bộ hình ảnh. Quá
trình này có thể được thực hiện theo các bước sau:

Chuyển đổi hình ảnh màu sang hình ảnh xám (nếu cần thiết).
Chọn một giá trị ngưỡng ban đầu.
Tính toán giá trị trung bình của các điểm ảnh trong hình ảnh.
So sánh giá trị trung bình với ngưỡng ban đầu. Nếu giá trị trung bình lớn hơn
ngưỡng, tất cả các điểm ảnh có giá trị lớn hơn ngưỡng được gán giá trị 255
(trắng), ngược lại, các điểm ảnh có giá trị nhỏ hơn ngưỡng được gán giá trị 0
(đen).
Lặp lại các bước 3 và 4 với giá trị ngưỡng mới được tính toán từ các điểm ảnh
thuộc nhóm trắng và nhóm đen cho đến khi giá trị ngưỡng không thay đổi nhiều
hoặc đạt được tiêu chí dừng khác.
Thuật toán thresholding có thể được áp dụng không chỉ cho phân ngưỡng toàn
cục mà còn cho phân ngưỡng cục bộ (local thresholding) dựa trên các vùng con
của hình ảnh. Với phân ngưỡng cục bộ, một ngưỡng khác nhau được áp dụng cho
từng vùng con, tùy thuộc vào đặc trưng của vùng đó.

Các thuật toán thresholding có thể được sử dụng trong nhiều ứng dụng khác
nhau, bao gồm nhận dạng vật thể, phát hiện biên, loại bỏ nhiễu và phân tích hình
ảnh y tế. Tùy thuộc vào bài toán cụ thể, có thể sử dụng các biến thể của thuật
toán thresholding như phân ngưỡng đa ngưỡng (multilevel thresholding) hoặc
phân ngưỡng coadaptation.
Thuật toán Haar Cascade là một phương pháp phát hiện đối tượng trong thị giác
máy tính và xử lý ảnh. Nó được sử dụng phổ biến trong các ứng dụng như nhận
dạng khuôn mặt, nhận dạng biểu cảm khuôn mặt, nhận dạng đối tượng và phát
hiện đối tượng trong thời gian thực.

Thuật toán Haar Cascade được đặt tên theo tên của nhà nghiên cứu Paul Viola và
Michael Jones, người đã giới thiệu nó trong bài báo "Rapid Object Detection using
a Boosted Cascade of Simple Features" vào năm 2001.

Phương pháp này dựa trên việc sử dụng các tính năng Haar như là các bộ lọc để
phân biệt các đối tượng trong hình ảnh. Các tính năng Haar được tính toán bằng
cách so sánh tổng các giá trị các điểm ảnh trong một vùng quan tâm với tổng các
giá trị các điểm ảnh trong vùng khác. Các tính năng này có thể được tính toán
nhanh chóng bằng cách sử dụng phép tính tích chập và sử dụng hàm tích chập để
tìm ra các vùng quan tâm trong hình ảnh.

Quá trình huấn luyện của thuật toán Haar Cascade bao gồm hai giai đoạn chính:
giai đoạn tích chập (integral image) và giai đoạn AdaBoost. Giai đoạn tích chập
tính toán các tính năng Haar và tạo ra các bộ phân lớp đơn giản. Giai đoạn
AdaBoost sử dụng các bộ phân lớp này để tạo ra một bộ phân lớp mạnh hơn bằng
cách kết hợp chúng lại.

Sau quá trình huấn luyện, một Haar Cascade classifier sẽ được tạo ra, bao gồm
một tập hợp các bộ phân lớp được xếp chồng lên nhau (cascade). Mỗi bộ phân
lớp trong cascade sẽ có một ngưỡng quyết định khác nhau và chỉ khi một vùng
trong hình ảnh vượt qua tất cả các bộ phân lớp mới được coi là chứa đối tượng
cần tìm.

Thuật toán Haar Cascade có hiệu suất cao và khả năng phát hiện đối tượng tốt
trong các ứng dụng thời gian thực. Nó đã được áp dụng rộng rãi trong các hệ
thống nhận dạng khuôn mặt, nhận dạng biểu cảm khuôn mặt, theo dõi đối tượng
và nhiều ứng dụng khác trong lĩnh vực thị giác máy tính và xử lý ảnh.