数字图像处理中的分割算法

图像分割：将图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。

多数的图像分割算法：均是基于灰度值的不连续和相似的性质。在前者中，算法以灰度突变为基础分割一副图像，如：图像边缘分割。假设图像不同区域的边界彼此完全不同，且且与背景不同。可以基于灰度的局部不连续来进行边界检测。后者是根据一组预定义的准则将一幅图像分割为相似区域，如：阈值处理、区域生长、区域分裂和区域聚合都是基于这种方法形成的。

1.常用的分割算法：

a)阈值分割：简单地根据像素的灰度值与预先设定的阈值进行比较，将像素分类。

阈值处理可以分为单阈值处理与多阈值处理。在单阈值处理中最常用且分割效果也不错的算法是Otsu（最大类间方差算法）算法。多阈值处理：K类由K-1个阈值来分离，即计算图像的多个类间方差，多阈值处理的分割结果相较于单阈值的结果虽然会更好一些，但分类数量增加时它会开始失去意义，因为我们仅仅处理一个变量（灰度），此时可以通过增加变量如彩色来进行解决。

优点：阈值处理直观、实现简单且计算速度快，因此阈值处理在分割应用中处于核心地位。

缺点：对于光照变化大、噪声干扰较多的图像效果可能不佳，需要事先确定阈值。

常用情况： 用于对比较简单的图像进行分割，例如二值化处理。

b)区域生长和区域分裂与聚合：在区域生长算法和区域分裂与聚合都是属于基于区域的分割算法。区域生长算法是根据预先定义的生长准则将像素或子区域组合为更大的区域的过程。基本方法是从一组“种子”点开始，将与种子预先定义的性质相似的那些领域像素添加到每个种子上来，形成这些生长区域（如特定范围的灰度或颜色）。区域分裂与聚合是首先将一幅图像细分为一组任意的不相交区域，然后按照一定规则聚合、分裂这些区域。

优点： 能够处理光照变化较大、噪声干扰较多的图像，结果较为平滑。

缺点：对种子点的选择比较敏感，可能导致结果不稳定。

常用情况： 适用于要求较为连续、平滑分割结果的场景。

c)边缘检测：基于图像中像素灰度值的变化来识别对象边缘。边缘是图像中灰度突变像素的集合，一般用微分进行检测。基本的边缘检测算法有：Roberts算子、Pr