经典的图像分割方法总结

图像分割指根据灰度、纹理、形状等特征把图像分割为若干个互不交叠的区域，并使图像在同一区域内呈现出相似性，在不同区域内呈现明显的差异性。

• 基于阈值
• 基于区域
• 基于边缘
• 基于小波变换
• 基于神经网络
• 基于能量
• 基于概率统计
• 基于特定理论

1.基于阈值的分割

基本思想：给定合适的灰度阈值，将图像中各个像素的灰度值和阈值作比较，将每个像素划分到合适的类别中。
优点：思想简单、运算效率高（并行区域技术）
难点：图像结构复杂时很难找到合适的阈值

2.基于区域的分割

基本思想：将图像按照给定的相似性准则划分为不同的区域，主要有区域生长法、区域分裂合并法、分水岭法等。
区域生长法：对每个需要分割的区域选定一个种子像素作为生长的起点，然后将种子像素邻域内具有相同或相似性质（事先确定判定相同或相似的准则）的像素合并到该种子像素所在的区域中。将新合并的像素当作种子像素继续上面的过程，直到没有满足条件的像素被包括进来。
区域分裂合并法：首先将图像任意分割成若干个互不相交的区域，然后按照某种准则对这些区域进行分裂或合并，最终完成分割任务。
分水岭法：基于拓扑理论的数学形态学分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。该算法的实现可以模拟成洪水淹没的过程，图像的最低点首先被淹没，然后水逐渐淹没整个山谷。当水位到达一定高度的时候将会溢出，这时在水溢出的地方修建堤坝，重复这个过程直到整个图像上的点全部被淹没，这时所建立的一系列堤坝就成为分开各个盆地的分水岭。分水岭算法对微弱的边缘有着良好的响应，但图像中的噪声会使分水岭算法产生过分割的现象。

基于边缘的分割

基本思想：利用边缘检测找出图像边缘，进而分割图像。
边缘角点和兴趣点检测器有：
Canny边缘检测器
Harris角点检测器
SIFT检测器
SURF检测器

基于小波变换的分割

基本思想：小波变换具有多尺度特性，能够在不同尺度上对信号进行分析。利用小波变换的分割过程是从粗到细，由尺度变化来控制，起始分割由粗略的L2®子空间上投影的直方图来实现，然后利用直方图在精细的子空间上的小波系数逐步细化分割。

基于神经网络的分割

基本思想：利用大量的训练数据，学习决策分类函数。
优点：容易引入空间信息，解决图像噪声和不均匀的问题

基于能量的分割

基本思想：主要指活动轮廓模型以及在其基础上发展出来的算法。使用连续曲线来表达目标边缘，并定义一个能量泛函使得其自变量包括边缘曲线，因此分割过程转变为求解能量泛函的最小值过程，一般可以通过求解函数对应的欧拉方程来实现，能量达到最小时的曲线位置就是分割轮廓。有参数活动轮廓模型和几何活动轮廓模型（水平集方法）

基于概率统计的分割

分类：一是标准高斯模型；二是使用Gibbs概率分布的隐式马尔科夫随机场模型，通过像素邻域引入空间信息从而对像素进行类别标记；三是使用马尔可夫随机场计算先验分布从而得到类别标记，同时考虑了像素的灰度信息和空间信息。

基于特定理论的分割

图像分割没有通用的自身理论，随着各学科新理论和新方法的提出，出现了与一些特定理论、方法相结合的图像分割方法，主要有：基于聚类分析的图像分割方法、基于模糊集理论的分割方法等。

目前各种方法有各自适用的任务范畴，并没有一种普适的分割方法。在单种理论研究出现瓶颈的情况下，不同方法的融合、结合业务领域学科知识的研究成为寻找突破的方向。