Matlab图像分割
第一部分.图像分割的含义
图像分割是根据图像的灰度、颜色、几何形状、空间纹理等特征把图像分割为若干个互不相交的区域；实际上就是将自己在图片中的目标给提取出来，与背景分离；
第二部分.Matlab的图像分割的种类
1.边缘检测法（利用目标与背景之间交界处的差别，提取边缘）
2.阈值分割法（设定一个阈值，低于该阈值的地方为0黑，高于该阈值的地方为1白）
3.区域分割法（）
第三部分.边缘检测法
主要的检测方式：微分算子（Roberts算子、Sobel算子、Prewit算子），LOG算子，Canny算子；
1.图像中线段的检测：
和滤波一样，要有模板，总共四种最基本的模板：
[-1 -1 -1; 2 2 2; -1 -1 -1] 水平检测
[-1 -1 2; -1 2 -1; 2 -1 -1] +45度检测
[-1 2 -1; -1 2 -1; -1 2 -1] 竖直检测
[2 -1 -1; -1 2 -1; -1 -1 2] -45度检测
然后将模板和图像进行结合滤波，用imfilter函数
2.微分算子
<1>Roberts算子：
clc
clear all
I = imread('dream.jpg');
I=rgb2gray(I);
[J, thresh] = edge(I, 'Roberts', 30/255); %进行边缘检测 ,Roberts算子, 分割阈值为30/255
figure;
subplot(121),imshow(I);
subplot(122),imshow(J);里面的30/255是分割阈值，实际的阈值为thresh*256,这里的thresh为归一化后的值；
<2>Sobel算子：用法和Roberts算子的用法一样，只需将edge中的参数改成Sobel
<3>Prewit算子：用法和Roberts算子的用法一样，只需将edge中的参数改成Prewit
3.LOG算子：
在edge函数应用中，log和canny都对应着sigma参数，其是对应滤波器的标准差；Canny对应的是高斯滤波器（默认为sqrt（2）），LOG对应的是高斯拉普拉斯滤波器（默认为2）
4.Canny算子：
其特别的地方是他的阈值包括两个，一个低阈值，一个高阈值；忽略低于低阈值的边缘部分，保留高于高阈值的部分；
第四部分.阈值分割法
1.可以借助直方图来设置阈值，我们首先读取灰度图片，然后用imhist函数去显示直方图；
%图像分割（全局阈值，借助直方图）
clc
clear all
I=rgb2gray(imread('dream.jpg'));
figure (1)
imhist(I);
R=I>125;%大于125的地方为白（1），小于为黑（0）
figure(2);
imshow(R);
可以看出我们可以从直方图中找出一个阈值，根据这个阈值来判断；
2.Otsu阈值分割，可以借助函数graythresh来自动获取阈值，然后根据这个阈值进行分割；
%Otsu阈值分割
clc
clear all
I=rgb2gray(imread('dream.jpg'));
M=graythresh(I);%自动获取阈值
J=im2bw(I,M);%根据M的大小来进行分割
figure;
imshow(J);3.迭代阈值分割，其原理很简单，首先是读取灰度图片，设置一个精度值（这里设的是S），在设置一个初值变量S1等于灰度图最大值和最小值之和的二分之一，再设置两个变量r1和r2，r1是所有大于初值变量S1的元素和，r2是所有小于等于S1的元素和；在设置变量S2等于（r1的平均数+r2的平均数）/2；在进入while循环，经过转换，让S1等于S2，再重复进行前几步，直到精度小于设定的精度S1；这时得到的S2为阈值，再通过im2bw来显示二值图；
%迭代式阈值分隔法
clc
clear all
I=rgb2gray(imread('dream.jpg'));
I=im2double(I);
S=0.1;
S1=(max(I(:))+min(I(:)))/2;
r1=find(I>S1);
r2=find(I<=S1);
S2=(mean(I(r1))+mean(I(r2)))/2;
while abs(S2-S1)>S
S1=S2;
r1=find(I>S1);
r2=find(I<=S1);
S2=(mean(I(r1))+mean(I(r2)))/2;
end
J=im2bw(I,S2);
figure;
imshow(J);第五部分.区域分割法
1. 区域生长法：
区域生长是将一个种子（即点）不断地与周身的点进行比较然后融合行程大的区域，融合的条件是与周身邻域的点的相似度要小于一定的精度；然后不断地向外扩张融合，直到所以相似的点都被融合之后停止，这里我们用灰度值来进行测量；
区域生长一般分为以下几步：
1.确定种子点
2.确定是使用8邻域还是4邻域作为融合对象
3.灰度值之差与阈值之比（也可加上其他的判断条件，根据实际情况来设定）
4.直到停止生长，即再也没有满足生长的点
举例：
clc
clear all
I=rgb2gray(imread('dream.jpg'));
if isinteger(I)%判断是否为整数数组，若不为整数数组I的值过大，这样设置的精度就得改变，不能太小，否则无法得到想要的图片
I=im2double(I);
end
figure
imshow(I)
[M,N]=size(I);
[y,x]=getpts; %单击取点后，按enter结束
x1=round(x);%获得整数x
y1=round(y);%获得整数y
seed=I(x1,y1); %获取中心像素灰度值
grow1=zeros(M,N);%要绘制二值图，就可以先设置为0数组
grow1(x1,y1)=1;%种子点设为1，满足条件的点在后续判断中也会设为一
growcount=1; %待处理点个数
threshold=0.15;%与isinteger相互结合起来理解，如果没有isinteger，该值应该变得很大
while growcount>0
growcount=0;
for i=1:M %让种子去融合图片中满足的所有点
for j=1:N
if grow1(i,j)==1 %点在"栈"内，即一开始先检测到种子点，然后根据判断条件去判断种子点邻域的点是否满足条件，若满足为1，然后进行下一轮循环进行判断，直到循环时没有点可以满足添加进行融合了
if (i-1)>1&(i+1)1&(j+1) 可以参考基于matlab的区域生长算法实现_minisal的博客-CSDN博客_matlab区域生长代码，内容都在里面注释了，只要把区域生长的步骤弄明白，代码自然就会看懂；
2.分水岭分割法：
分水岭转换法一般包括以下几个步骤：
1.读取灰度图
2.设置前景标记（通过重建开和重建闭来清理图像），腐蚀+重建开
3.膨胀+重建闭
4.形态学重建+图像取反
5.求局部最大值+将灰度图和局部最大值进行结合
6.对局部最大值消除周边杂乱的点（先闭操作，再腐蚀）
7.将修改后的局部最大值与灰度图结合
8.计算背景标记，用清理完的图像（即经过重建开与重建闭的图像）进行二值化
9.但理想情况下，我们不希望背景标记离我们要分割的对象的边缘太近，所以我们可以通过计算bw距离变换的分水岭变换，然后寻找结果的分水岭脊线来完成
10.用imimposemin函数修改梯度幅度图像，让区域最小值显示在前景和背景标记的像素上；
11.对修改的梯度幅度图像进行分水岭分割（分割物体的边界）
12.最后进行可视化的显示，可以将原灰度图与前景标记、背景标记、分割物体的结合到一个图片上，前景和背景标记缩放到不同的整数值，以便为它们分配不同的标签。
举例：
clc
clear all
I=rgb2gray(imread('apple.jpg'));
tidu=imgradient(I);
% figure;
% imshow(tidu,[]);
se=strel('disk',20);
fs=imerode(I,se);
fscj=imreconstruct(fs,I);
pz=imdilate(fscj,se);
pzcj=imcomplement(imreconstruct(imcomplement(pz),imcomplement(fscj)));
figure;
imshow(pzcj);
dgm=imregionalmax(pzcj);
figure;
imshow(dgm);
I2=labeloverlay(I,dgm);
figure;
imshow(I2);
se2 = strel(ones(5,5));
fgm2 = imclose(dgm,se2);
fgm3 = imerode(dgm,se2);
figure;
imshow(fgm3);
fgm4=bwareaopen(fgm3,15);
%I3=labeloverlay(I,fgm4);
I(fgm4)=255;
figure
imshow(I);
bw1=imbinarize(pzcj);
D = bwdist(bw1);
DL = watershed(D);
bgm = DL == 0;
figure;
imshow(bgm);
gmag2 = imimposemin(tidu, bgm|fgm4);
L=watershed(gmag2);
labels = imdilate(L==0,ones(3,3)) + 2*bgm + 3*fgm4;
I4 = labeloverlay(I,labels);
figure;
imshow(I4);