图像处理学习记录---图像分割

图像分割

依据跳变性与相似性，令集合R代表一幅图像占据的整个空间区域，图像分割就是将R按照完整性，连通性，独立性，单一性，互斥性的条件划分为若干非空子集的过程。

• 分割方法分类
  边缘分割法和区域分割法
  并行分割法和串行分割法

孤立点的检测

基于空域模板运算，使用拉普拉斯算子

对图像进行基于空域拉普拉斯的模板运算，若某像素值处的模板运算结果明显不同于0，则为孤立点

线检测

1. 基于拉普拉斯运算的线检测
   运算的正值相应
2. 基于线性模板的特定方向直线检测
   

边缘检测

边缘：一组相连的像素集合，这些像素为于图像中两个相邻区域的边界上。
基于灰度突变的一种方法

• 边缘类型
  

• 边缘特性
  

• 基本步骤

1. 对输入图像进行噪声抑制处理（平滑处理）
2. 基于局部操作的候选边缘点的检测（梯度幅值）
3. 从候选边缘点中选择最终的边缘点（阈值化）

基本边缘检测

Marr-hildreth 边缘检测器

拉普拉斯算子

可利用其零交叉的性质进行边缘定位
可以确定一个像素在边缘暗的一边还是亮的一边
不能检测边缘的方向，各向同性运算模板
二阶导数对噪声敏感
应于平滑有机结合，才能实现边缘位置的有效定位。

LoG算子（墨西哥草帽）

高斯-拉普拉斯
对二维图像先进行高斯平滑，在进行拉普拉斯运算



构造LoG算子模板的方法

DoG算子

使用高斯差分（DoG）来近似计算LoG滤波器

Marr-Hidreth边缘检测步骤：

1.对图像进行高斯低筒滤波后，再进行拉普拉斯运算，等价于直接利用log或dog算子对输入图像进行运算，
2. 最后对中间图像进行过零点检测，得到边缘图像。

Canny边缘检测器

基于边界的跳变性

• 基本步骤

1. 对输入图像进行噪声抑制
2. 梯度计算。计算每一个像素点的梯度幅值，梯度方向
3. 基于非极大值抑制的边缘细化。对每一个像素点局部最大值保留，否则置为0。确定边缘强度，细化边缘
4. 基于梯度幅值‘双阈值处理’的候选边缘检测，以及启发式边缘连接。

---

上诉边缘检测的方法都是基于灰度图像边缘的跳变性，进行检测，下面介绍利用连通性进行检测边缘。
色调，亮度基本一致

阈值分割法

A.迭代自适应单阈值估计

取两部分的中心进行迭代

基于otsu法的最佳全局阈值处理-类间方差最大

以背景为主的小目标区域分割-基于图像的边缘特性改进全局阈值

为改善直方图波峰的形状，直方图的构建只利用位于或靠近图像区域边缘的像素，而不考虑目标区域中间的像素。有助于形成相对对称的直方图模式。

基于Otsu法的图像多阈值处理-类间方差最大法。

分割为多类，使得各类间灰度方差尽可能大

可变阈值的处理

让阈值不在是一个全局固定量，可以随位置而变化

基于图像分块的可变阈值处理

• 前提
  感兴趣的目标区域和背景空间占比合理
  图像中存在光照或反射的不均匀性
• 步骤
  将输入图像划分为若干个互不重叠的矩形，确保矩形区块足够小，使得每个区块光照近似均匀。
  分别针对每一个区块进行阈值估计，阈值化处理。
  将各个区块阈值化结果合并，得到输出的阈值图像。

基于图像局部统计特性的可变阈值处理

基于移动平均的可变阈值处理

• 前提
  光照不均匀
  目标与背景占比不合理，尺寸很小或目标过细，如手写文本图像
• 步骤
  逐行逐列扫描，黑的更黑，亮的更亮
  
  

多通道/彩色图像的阈值化-多变量阈值处理（阈值向量）

区域分割法

区域生长法

区域合并法

自顶向下，实现是一般利用图像数据的金字塔或四叉树数据结构。重复进行先分裂再将其中一致的合并，直到图像分成数量最少的均匀区域为止。