图像分割方法（一）

图像分割方法（一）

• 基于阈值的分割方法
• 基于区域的分割方法
• 基于边缘的分割方法
• 基于特定理论的分割方法

1. 阈值分割
   全局阈值、自适应阈值、最佳阈值
   特点：计算简单、运算效率较高、速度快。

2. 区域分割
   区域生长：基本思想是将具有相似性质的像素集合起来构成区域。选定种子像素，相似性准则是灰度级、彩色、纹理、梯度等特性，生长准则根据不同原则制定。
   特点：优点是计算简单，对于较均匀的连通目标有较好的分割效果。缺点是需要人为确定种子点，对噪声敏感，可能导致区域内有空洞。另外，它是一种串行算法，当目标较大时，分割速度较慢，因此在设计算法时，要尽量提高效率。
   区域分裂合并，是区域生长逆过程。从整个图像出发，不断分裂得到各个子区域，然后再把前景区域合并，实现目标提取。最常用的方法是四叉树分解法。
   特点：对复杂图像的分割效果较好，但算法较复杂，计算量大，分裂还可能破坏区域的边界。

3. 边缘分割
   图像边缘像素灰度值不连续，可通过求导来检测到边缘。
   一阶微分算子：Roberts算子、Prewitt算子、Sobel算子。
   二阶微分算子：Laplace算子、Kirsh算子。
   特点：对噪声敏感，只适合于噪声较小不太复杂的图像。
   由于边缘和噪声都是灰度不连续点，在频域均为高频分量，直接采用微分运算难以克服噪声的影响。所以平滑滤波去噪，LOG算子和Canny算子是具有平滑功能的二阶和一阶微分算子。LOG算子是采用Laplacian算子求高斯函数的二阶导数，Canny算子是高斯函数的一阶导数。

4. 特定理论
   聚类分析：特征空间聚类法进行图像分割是将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，得到分割结果。K均值、模糊C均值聚类(FCM)算法是最常用的聚类算法。
   特点：FCM算法对初始参数极为敏感，有时需要人工干预参数的初始化以接近全局最优解，提高分割速度。另外，传统FCM算法没有考虑空间信息，对噪声和灰度不均匀敏感。
   模糊集理论：具有描述事物不确定性的能力，适合于图像分割问题。例如模糊聚类、模糊阈值、模糊边缘检测技术等。
   基因编码：把图像背景和目标像素用不同的基因编码表示，通过区域性的划分，把图像背景和目标分离出来。
   特点：具有处理速度快的优点，但算法实现起来比较难。
   小波变换：基本思想是先由二进小波变换将直方图分解成不同层次的小波系数，再由分割准则和小波系数选择阈值门限，最后由阈值标出分割区域。整个分割过程是从粗到细，有尺度变化来控制。起始分割由粗略的L2®子空间上投影的直方图来实现，如果分割不理想，则利用直方图在精细的子空间上的小波系数逐步细化图像分割。

相关应用

1. 机器视觉
2. 人脸识别
3. 指纹识别
4. 交通控制系统
5. 在卫星图像中定位物体（道路、森林等）
6. 行人检测
7. 医学影像，包括:
   （1）肿瘤和其他病理的定位
   （2）组织体积的测量
   （3）计算机引导的手术
   （4）诊断
   （5）治疗方案的定制
   （6）解剖学结构的研究