文献阅读：图像分割技术研究综述

图像分割是图像识别的前提，其效率直接影响图像识别的质量。目前主要有四种基本的图像分割方法，分别为基于阈值的图像分割法、基于区域的图像分割法、基于边缘的图像分割法、超像素图像分割法。后面将对这四种方法进行介绍。 

首先研究背景，图像识别来源于模板匹配，从人类自身的视觉识别中演变而来。人类自身视觉识别的思路为，将眼前的物体和脑海中的印象进行对比，完成对眼前物体的定义。图像识别也是如此，对原图像提取特征，和需要的目标特征进行对比，从而达到识别的效果。

基本上所有图像识别技术都离不开图像预处理、图像分割、特征提取、特征匹配识别等步骤。其中，图像分割指为了节约计算资源，将图像根据某些参数分成不同的区域，进而剔除无效区域。 

下面介绍第一种方法，基于阈值的图像分割法。

主要思想为，不同的目标具有不同的特征，如颜色、灰度、轮廓等，利用特征间的细微差别，选取阈值划分为目标物与背景。阈值分割能够快速地实现图像分割，常用于目标与背景相差较大的情况，对于复杂环境识别难度较大。

阈值分割能够较为快速地完成图像的分割，但是需要目标和周围环境具有明显的灰度值差异，因此往往需要进行对比度增强等处理。由于对复杂图像难以进行准确的分割，因此人们常用阈值分割进行初步分割，在此基础上再运用边缘检测分割、区域增长分割等方法，可以节约计算资源。

第二种方法是基于区域的图像分割法

基于区域的图像分割法分为区域生长和分裂合并两种类型。对于区域生长类型，先选取一个像素， 然后不断合并具有相似特征的像素，从而达到图像分割的目的。对于分裂合并类型，将整个图像作为出发点，逐渐排除或合并相似的像素，最终完成图像的分割。和传统阈值分割方法相比，区域分割在像素的相似性和空间的邻接性上更有优势，可以明显减小噪声的干扰，具有更强的鲁棒性。

第三种方法是基于边缘的图像分割法。

基于边缘的图像分割法利用不同区域中像素灰度值不同，以及区域边界像素灰度值变化比较大的特点，检测到边界点，并将各个边界点连接起来，从而完成区域分割。

第四种方法是超像素图像分割法。

超像素图像分割法指将图像中具有相似特征的局部连续像素聚合在一起的方法。和传统方法相比，超像素分割有利于图像局部特征的提取，减小了处理对象的规模，便于计算。

下面是图像分割的应用，对于道路交通指示牌的分割识别，目前的技术主要是通过目标颜色生成相应的灰度图像，然后进行迅速分割，结合目标形状锁定区域进行识别。目前技术仍受形状相似或颜色相似干扰，在未来的发展中需要提高。

最后进行以下总结

基于阈值的图像分割法能够快速分割图像，但对于复杂图像难以进行有效分割。

基于边缘的图像分割法容易产生虚假的边缘或者孤立的线段。

基于区域的图像分割法会对无目标物的空白区域进行分割，浪费计算资源。

超像素图像分割法难以在计算速度和计算精度之间达到很好的平衡。

图像分割技术发展至今，一般同时采取多种分割方法，如利用阈值分割和边缘分割速度快的特点，先确定大致区域，再进行区域分割，以此缩短计算时间，提高效率。

论文来源：中国知网 ，作者黄旭