在众多图像处理方法中,如边缘提取、形状描述及目标识别等,都可以先利用图像二值化进行预处理,再进行后续处理。因此图像二值化作为图像处理中的基本方法,非常重要。本文对正交因子分析模型中估计因子载荷矩阵的几种常用方法:主成分法、迭代主因子法、迭代极大似然估计法、重心法、广义最小二乘法、未加权最小二乘法及Alpha因子法,进行了综述,同时,讨论了这些方法之间的联系,给出了每种方法的适用条件。本文还研究了图像二值化方法,提出了基于因子分析的图像分块二值化的方法。首先将M×N的图像分成k×k的块,对每一个k ×k的图像块进行因子分析,然后根据成像原理,选取两个公共因子,分别是入射光强度和物体反射率。利用主成分法估计出每一个k×k的图像块的因子载荷矩阵,对估计出的因子载荷矩阵结合四种方法对图像进行二值化:第一种利用矩阵的相似度,计算任意两个因子载荷矩阵之间的相似度,根据给定的阈值,将图像的背景和目标分开,得二值化结果。此方法适用于光照不太均匀的自然光照图像。第二种利用层次聚类,首先计算每一个因子载荷矩阵的均值,方差和偏度,作为k×k大小的图像块的特征向量。然后利用OTSU法对图像进行二值化。其次,将二值化图像分成三类:背景块,前景块和混合块。对混合块,找到相对应的特征向量,利用层次聚类法聚为两类,得最终二值化结果,此方法适用于背景和目标区域灰度值区分明显的图像类型。第三种利用Logistic回归模型,首先计算每一个因子载荷矩阵的均值,方差和偏度,作为k×k的图像块的特征向量。利用OTSU法对图像进行二值化。然后,对二值化以后的图像,计算每一个k×k的图像块取1的概率,根据概率将图像分为前景,背景和混合块三类。其次,对混合的图像块,找到相对应的特征向量,利用Logistic回归模型给出初始分组,通过迭代对初始分组进行调整,得出最终二值化结果。此方法适用于乘性高斯噪声的失真图像。第四种建立了一种新的线性模型,根据线性模型,给出初始分组,通过迭代对初始分组进行调整,得最终二值化结果。此方法适用于JPEG压缩的失真图像。利用四种方法对不同类型的图像进行实验,结果表明,本文算法的二值化结果要比OTSU的二值化结果好。