68、图像分割：基于标记与拓扑持久化的创新方法

图像分割：基于标记与拓扑持久化的创新方法

基于标记的分水岭分割

在图像分割领域，基于标记的分水岭算法是一种广泛应用的方法。在比较过程中，仅涉及少数参数。在像素分类方面，采用了K近邻算法，参数设置如下：
- K值设为5。
- 采用距离加权方案。
- 每个类别的学习样本数量相等，且不超过100。

对于经典的分水岭算法，使用形态学梯度（即膨胀与腐蚀的差值），结构元素为3×3像素的正方形，并在RGB空间中采用欧几里得范数来创建用于分水岭算法的地形。

通过对具有相同景深特性的两幅不同图像进行分割实验，结果显示：
| 分割方法 | 效果描述 |
| ---- | ---- |
| 经典基于标记的分水岭算法 | 当标记（对象和背景）较小且远离实际对象边缘时，无法正确分割对象。 |
| 2类监督分类 | 对象之间的边缘清晰可见，但难以从标记和分类图中确定合适的对象边缘。 |
| 提出的方法 | 考虑了标记的空间位置（作为集水盆的初始位置）和标记的颜色内容（作为分类过程的学习集），分割结果更为准确。 |

标记的数量是可变的，在某些情况下使用多于两个标记可能更合适。例如，对比使用两个标记和三个标记（分别考虑背景使用一个或两个标记）的初始化方式，使用两个背景标记可通过考虑两个不同类别来提高监督分类过程的准确性，并且该方法能够正确分离田野和树林。

不过，该方法的计算成本高于经典的基于标记的分水岭算法，因为它还涉及监督像素分类。但在配备1.1 GHz奔腾M处理器和1 GB内存的笔记本电脑上，使用Java实现的计算时间约为15秒，仍在可接受范围内。

下面是基于标记的分水