然後各子圖內像素灰度值以低階多項式表示，依最小二乘準則以多項式逼近原圖像的子圖像。
透過非參核密度估計算法建立背景模型，獲得每個像素點上各灰度值的出現概率，提取出前景目標；
各組動物對照側動眼神經核內神經絲蛋白免疫反應陽*神經元數目和灰度值差異無顯著*（P>0.05）。
遙感圖像透過像元灰度值的高低差異和空間變化來表示不同屬*的地物目標及其分佈情況。
結果：與正常組和鹽水對照組比較，*因依賴大鼠胰島SS-IR細胞免疫染*增強，平均灰度值降低，差異有顯著*。
透過將整個醫用圖像中每個像素的分形值，轉化爲相應象素的灰度值，得到了邊緣增強和檢測圖。
應用掃描圖像RGB三原*的灰度值分離理論，透過葉片像素點的分佈比例提出一種計算葉片面積大小的算法。
一百採用最小二乘法，對實驗數據進行擬合，建立了紫外光輻照度隨視圖平面位置座標和灰度值變化的關係模型。
尤其是當鄰域間像素的距離近並且灰度值相似時，則它們對結果有較大的影響。
但是高光譜圖像的每個像元都對應幾十到幾百個波段的灰度值，數據量極其龐大，因此必須對其進行壓縮。
對高光譜影像而言，此時研究的對象已由象元灰度值轉變爲灰度矢量，研究域由一維的灰度空間延伸到多維的光譜空間。
使用MIAS-圖像分析儀分別檢測SDH陽*粒子數及ACP酶灰度值變化。
