图像分割（简述、阈值、边缘、梯度算子

图像分割多年来一直是图像处理领域热门研究的课题之一。

传统的分割方法面临着一个相同的问题：难以区分相邻且颜色近似的物体。分割不准确将会导致后续处理过程中一系列连锁的不良反应。因此更为准确的图像分割是十分有必要的。

图像分割作为经典的图像处理问题之一。

阈值分割：对一副灰度图像进行灰度直方图统计，然后选取一个合适的灰度阈值，然后将图像中所有像素点的灰度值都与这个灰度阈值作比较，高于或低于这个阈值的像素会将分到两个不同的集合中。这种传统的阈值分割方法，人工选择阈值是最重要的一步。阈值分割仅能得到粗糙的分割结果。

边缘检测法：一般是利用局部的梯度信息来区分是否为边缘。具有较大梯度的像素点往往被认为是边界像素，而具有较小梯度的像素点怎被认为是属于物体内部的。
边缘检测得到的边界对颜色、灰度、光强都十分敏感；导致的后果是物体的阴暗两面被分割成两个部分；或色彩丰富的物体内部被分割成多个部分

不同的边缘检测法本质上不同的仅仅是梯度算子。
梯度算子：用来计算梯度的模板，它决定了梯度定义的方式以及计算的方向。梯度算子对强纹理信息的图像影响很明显。

总结：无论是阈值还是边缘检测方法，都没有足够利用图像的全局信息，仅利用了图像的局部信息的差异，也忽略了局部信息间位置上的关联性。虽可高速处理，但结果令人不满意。

因此引入：全局考虑的分割算法——著名的图割算法

图割：引入数学模型将分割问题转变为优化问题。模型建立在像素基础上，分割边界因为相邻两边信息的拉扯而显得不光滑，且对初始分割个数的依赖性较重。