图像分割

什么是图像分割？

（1）图像分割的主要目标是将图像划分为与其中含有真实世界的物体或区域有强相关性的组成部分

（2）分割方法能够归类以下：阈值化、基于边缘、基于区域

（3）每一个区域能够用其封闭的边界来表示，每一个封闭的边界描述一个区域

（4）主要的分割问题有图像数据的不明确和信息噪声

（5）分割过程当中可获得的先验信息越多，所能得到的分割结果就越好。

---

阈值化

（1）阈值化是最简单的分割处理，计算代价小速度快。一个常量阈值用来分割物体和背景

（2）既能够在整个图像上施加阈值（全局阈值），也可使用依赖图像部分而改变的阈值（局部阈值）。单个阈值在整个图像上成功的状况比较少

（3）阈值化有许多修正：局部阈值化、带阈值化、多阈值化等

（4）阈值检测方法自动地肯定阈值。若是事先知道分割后的图像的某种性质，就能够简化阈值选择，由于阈值能够按照该性质得以知足的条件来选择。阈值检测可使用p率阈值化、直方图形状分析、最优阈值化等

（5）在二模态直方图中，阈值能够肯定为两个最大的局部极大值之间的极小值位置。

（6）最优阈值化肯定阈值为离对应于两个或更多个正态分布最大值之间的最小盖伦处最近的灰度值，其结果是具备最小错误的分割。

（7）多光谱阈值化适合彩色或多谱段图像

基于边缘的分割

（1）基于边缘的分割依赖于边缘算子（在图像的预处理中有提到过）；边缘算子标示了图像在灰度、彩色、纹理等方面不连续的位置

（2）图像噪声或不适合的信息一般能够致使在没有边界的地方出现了边缘以及在实际存在边界的地方没有出现边缘

（3）边缘图像阈值化是基于边缘图像构建的，由合适的阈值处理来实现

（4）边缘松弛法在相邻边缘的上下文中考虑边缘。若是存在边界出现的足够证据，就增长局部边缘强度，反之亦然。全局松弛法（优化）过程创建了边界

（5）能够定义内边界、外边界和扩展的边界。内边界老是区域的一部分；外边界毫不是。那么利用内边界、外边界的定义，若是两个区域相邻，它们毫不会有共同的边界。扩展边界定义了相邻区域的单一的共同边界，能够用标准的像素坐标来标识

（6）若是定义了最优性准则，可使用（启发式）图搜索或动态规划方法肯定全局最优边界。基于图搜索的边界检测是一种极为有力的分割方法——边界检测过程被转换为在加权图中搜索最优路径的问题。结点与费用关联起来，该费用反映边界经过某个特定结点（像素）的可能性。链接两个指定结点即起点和终点的最优路径（最优边界，相对于某个目标函数来讲）就得以肯定

（7）费用定义（评价函数）是边界检测成功的关键。费用计算的复杂度的变化范围覆盖了从简单的边缘强度的逆到复杂的先验知识的表示，先验知识是有关带搜索的边界、分割任务、图像数据等的

（8）图搜索使用Nilsson的A-算法，能够确保最优性。启发式图搜索能够显著地加快搜索速度，尽管启发式必须知足附加的约束才能确保最优性

（9）动态规划是基于最优化原理的，给出了从多个起点和终点中同时搜索最优路径的一个有效的方法

（10）使用A-算法搜索图，并不须要构造整个图，由于只有须要时才计算扩展节点的费用。在动态规划中，必须建好完整的图

（11）若是局部费用函数的计算简单，动态规划多是在计算上花费不搞的选择。然而，对于特定问题而言两种图搜索方法（A-算法，动态路径）中究竟哪一种方法更有效，取决于评价函数和A-算法的启发式信息的性质

（12）Hough变换分割适用于在图像中检测已知性质的物体，Hough变换能够检测直线和已知解析公式的曲线（物体边界）。在识别有遮挡和受噪声影响的物体方面是鲁棒的

（13）若是待搜索形状的解析公式并不存在，可使用广义Hough变换，参数曲线（区域边界）描述是基于样本状况的，并在学习阶段肯定下来

（14）尽管根据彻底的边界造成区域是微不足道的，根据部分边界肯定区域多是一个很是复杂的任务。能够根据以下的几率来创建区域：像素是否位于由部分边界包围的区域内。这些方法并不老是能找到能够接受的区域，可是它们在不少实际状况下颇有用

基于区域的分割

（1）区域增加分割应该知足彻底分割条件和最大区域一致性条件

（2）有三种基本的区域增加方法存在：区域归并、区域分裂、分裂与归并区域增加

（3）区域归并从知足式（6.22）的区域构成的过度割图像开始，只要可以保持知足式（6.22）就将符合式（6.23）给出的归并条件的区域归并起来

（4）区域分裂与区域归并相反。区域分裂开始于不知足式（6.22）所给条件的欠分割图像存在的图像区域顺序地被分裂开以便知足彻底分割条件和最大区域一致性条件

（5）分裂和归并的结合能够产生兼有两者优势的一种新方法。分裂与归并方法常在金字塔图像表上进行。区域是方形的与合适的金字塔层元素对应。由于两个选择都存在，起始分割没必要知足式（6.22）、式（6.23）给出的任一条件

（6）在分水岭分割中，集水盆地表明了分割后图像的区域。分水岭分割的最初算法开始于寻找从图像的每一个像素到图像表面高程的局部极小的下游路径。定义集水盆地为知足如下条件的全部像素的集合：这些像素的下游路径终止与同一个高程极小点。在第二方法中好，每一个极小值表明了一个集水盆地，策略是从这个高程极小值开始填充集水盆地

（7）使用区域增加方法分割后的图像，时常因为参数设置的非最优性形成的结果，不是含有太多的区域（欠增加）就是含有太少的区域（过增加）。许多后处理器被提出来改进分类结果。简单的后处理器减小分割后图像中的小区域的数目。更复杂的后处理方法能够将从区域增加获得的分割信息与边缘的分割结合起来

匹配

（1）模板匹配能够用于在图像中定位已知表观的物体，也能够用于搜索特殊的模式等。最好的匹配时基于某种最优性准则的，该准则依赖于物体的性质和物体的关系

（2）匹配标准的定义能够有多重方式，特别地，模式与被搜索的图像数据间的相关性是一个广泛性的匹配标准

（3）斜切匹配能够用于定位一维特征，否则使用基于费用的最优方法可能会失效

评测

（1）基于模板的匹配比较耗时，可是该过程能够经过引入合适的模板匹配控制策略来加速评测

（2）分割的评测对于决定分割算法，给定算法的参数选择很是有用

（3）监督式的评测比较了分割算法的输出与真值

（4）监督式的方法一般比较相互重叠区域，或者分割边界间的距离——存在一些不一样的作法

（5）真值经常很难定义或者得到代价很大。非监督式的方法评价分割效果时不须要考虑真值

（6）有不少非监督式的方法存在，但他们一般受到图像区域假设的限制

文中部分概念没法详细说明，你们能够关注公众号并输入“图像处理”能够得到此书，鉴于上次有不少好学的同志们在后台回复和取书，我又特地找一些资料，增长在最新的连接中，打击盗版人人有责，读书人的事怎么能叫偷呢？快关注并回复吧，等你来超越。

欢迎关注和订阅AI算法与图像处理公众号（AI_study）

不按期更新和分享高质量的文章和学习资料，让我一块儿进步吧，fighting

本文分享自微信公众号 - AI算法与图像处理（AI_study）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。