系统学习数字图像处理之图像分割

图像分割，有区域法，直接确定边界，边缘检测法，大多数算法基于灰度的不连续性（边缘检测）和相似性（阈值处理，区域生长，区域分裂，区域聚合）。

边缘分类：台阶边缘，斜坡边缘，屋顶边缘，一阶导数会产生粗边缘，二阶导数会产生精细边缘，在增强剧烈变化方面，二阶导数比一阶导数更加激进，同时二阶导的正负号反应边缘的类型（亮到暗或者暗到亮），即二阶导数有双边缘效应，二阶导的零交叉点可以确定粗边缘的中心位置。实际中，常见的都是斜坡边缘，台阶边缘更用于算法推导，例如Canny算法。而屋顶边缘常见于道路这样的特征。屋顶边缘的宽度，也叫基底是由该线的宽度和尖锐度决定。

一阶导数，可以确定一个点是否存在一个边缘，二阶导数可以确定该点是在亮侧还是暗侧。

基本的边缘检测有：

梯度，即一阶导数，梯度方向与边缘方向正交，常见算子有罗伯特交叉算子，普瑞维特算子，索贝尔算子

更先进的边缘检测技术:

即二阶导数

LOG算子

http://blog.sina.com.cn/s/blog_73428e9a0101abwb.html

canny算子

http://www.cnblogs.com/CBDoctor/archive/2011/10/21/2220331.html



灰度阈值分割核心点：

1.直方图波峰距离，

2.噪声

4.光源的均匀性

5.图像反射特性的均匀性

光照和反射是是核心考虑问题，可以用三种方式矫正阴影

1.直接矫正阴影

2.顶帽变换

3.可变阈值近似，即由领域决定指定像素的阈值

大津算法 http://blog.csdn.net/timidsmile/article/details/8493468

阈值分割方法：

1.物体和背景的相对大小 分布明显时（即背景和物体的直方图存在相当清晰的波谷时），可全局阈值，给出一个估计初始值，然后不断计算阈值上/下像素的均值，阈值等于该均值的均值，如此迭代，直到T值间差在一定范围内。

2.OTSU最佳全局阈值算法。

3.利用边缘位置像素的直方图，全局分割图像。

4.多阈值处理，即Otsu分多个类，与Otsu类似，但在求k时，要嵌套循环讨论，例如k1从1~k2时，每增加一次，则k2在k1~L-1范围内遍历一次。

5.可变阈值分析，包括：

图像分块，即将图像划分成若干小矩形，进行近似均匀。补偿光照和反射的不均匀性。

基于局部图像特性，即领域内的均值和标准差值，计算出局部阈值。

移动平均，即滑动窗口计算出平均阈值。可减少光照偏差。

6.多个变量阈值，例如彩色，利用欧式距离，以及更有用的马氏距离。

区域分割方法：

其思想是，选择与输入图像相同大小的种子阵列，种子阵列中种子点的位置为1，其他为0.然后在输入图像中每个p（x,y）出判断是否满足一定的属性，满足该属性的点形成一幅二值图像fQ,那么分割图像是fQ中满足8连接的所有1值点添加到种子阵列中的种子点。然后标记处分割图像中的每个连通分量。

区域分裂和聚合：

将原始图像分割成四象限数据，不满足属性的象限数据再分裂，即四叉树。然后对任意两个满足属性的区域进行聚合、直到聚合停止。

分水岭分割算法

http://blog.sina.com.cn/s/blog_725866260100rz7x.html



图像分割完整总结

http://baike.baidu.com/link?url=X3uqhj3SnAfLM77VgX4ndqH5_ZZr4RZ7re4YhoxVRQvQ7XIYgNBE1zTI7fuErt08_mnb3kes3jIsr7_JjCy3sa