opencv14-图像分割--超像素分割与形态学分割

二值形态学在二值图像上进行运算，二值图像是从其他等级的强度通道产生的。为了进行图像分析，采用的方法是去除形状噪声或异常值以及加强主要特征点。形态学可用于目标识别、细胞生物学、医学、粒子分析和自动显微镜。

二值形态学是一个邻域计算，结构核通过定义哪些周围像素对形态有益，然后进行形态学处理。但是它是从图像二值化开始的。

我们常用到的膨胀是一个布尔或（or）运算，腐蚀是布尔与（and）运算。腐蚀是为了减少图像的稀疏特征，保留强特征。而膨胀是为了放大图像的稀疏特征。

灰度和彩色形态学

基本操作是最小、最大和最小最大。在这些操作中，像素数高于最小的被修改为相同的值，像素值低于最大的像素被修改为相同的值，而在最小最大范围内的像素被修改为相同的值。最小和最大都是一种阈值形式，而最小最大允许对像素值带内的像素进行合并，以此形成具有相等像素值的区域。

简单的形态学方法通过固定的核来作用在整个图像的每一个像素上，而且需要假定图像已经完成阈值处理。而自适应的形态学方法则根据局部像素强度统计，综合应用可变的核和阈值，使得形态学能适应局部区域强度，并且在有些情况下能有好的效果。主要介绍一下自动阈值和自适应阈值。

（1）、全局自动阈值

多数是基于图像直方图的统计特性来自动寻找全局阈值，同时一定要在这之前进行图像预处理，不然大多数情况下结果并不好。

（2）、局部自动阈值

局部自动阈值是从局部像素区域获得输入，并且阈值化分割每个像素

超像素分割

此方法试图将局部区域内的相似像素分配到具有相等像素值的较大超像素区域内，因此相似的像素值被归入较大的超像素中。超像素方法通常用于数字摄影应用，以创建缩放或水彩特效。超像素方法将每一个像素作为图的节点，域区间的边缘由相邻像素的相似性和图形距离确定。

（1）、基于图的超像素方法

是根据像素到中心特征或边界特征的距离，将具有相似像素的图像区域构建成树。

（2）、基于梯度上升的超像素方法

梯度上升方法通过迭代来细化超像素群直到收敛，以此来优化分割。这些方法使用树状图结构将像素根据某些标准联合在一起，这些标准可以是RGB值或像素的笛卡尔坐标，然后使用距离函数或其他函数来创建区域。由于这些算法采用了迭代，其速度会比较慢。