计算机视觉8：图像分割

1.图像分割概述

图像分割主要分为阈值分割方法和边缘检测等方法。

阈值分割方法是提出最早的一种方法。

边缘检测方法是被研究的最多的一种分割方法，它试图通过检测包含不同区域的边缘来解决图像分割问题。比如微分算子边缘检测，以及为了降低噪声影响使用多尺度方法提取图像边缘。

2.图像分割技术现状

图像分割，是将一幅数字图像按照某种目的划分为两个或多个子图像区域。

理想的图像分割算法，应该是对所有的图像都能够自动的划分成有意义的子区域。

我们将图像分割划分为两个子过程：目标图像的识别定位和目标图像特征提取，这两部分缺一不可。根据分割过程中冷宫参与程度不同。可将现有的算法大致分为三种类型，自动分割、手动分割和交互式分割。

常见的自动分割方法有基于灰度信息的投影分割法和直方图分割法，以及基于细节特征的边缘检测法。由于图像种类繁多，自动分割方法对多目标或背景复杂的图像很难奏效。

虽然自动分割技术很先进，但是并不能达到这一要求，这往往需要一定的人工干预。

交互式分割的优点体现在以下两个方面：

• 高精度，在减少人工干预的情况下，该方法既弥补了自动分割的不足，又比手工分割精确的多。
• 可重复性，对同一幅图像进行分割时，分割的结果不会因为操作者的不同和分割过程的不同而产生差异。

即新的图像分割技术——基于Kohonen网络和Snake图像分割法，并且通过介入用户的参与可以很好的解决分割的不适应性问题。

3.图像分割的应用

图像分割的应用非常广泛，几乎出现在有关图像处理的所有区域，并涉及各种类型的图像，主要表现在以下方面。

• 医学影像分析
• 军事研究领域
• 遥感气象服务
• 交通图像分析
• 面向对象的图像压缩和基于内容的图像数据库查询

4.图像分割的数学定义

图像分割是指把图像分成各具特征的区域，并提取出感兴趣目标的技术和过程。这里的特性可以是灰度、颜色、纹理等目标既可以对应于单个区域，也可以对应于多个区域。

图像分割是由图像处理转到图像分析的关键。令集合R代表整幅图像的区域，对R分割可看成将R分割成N个满足以下5个条件的非空子集（子区域）R1,R2,...,Rn：

5.图像分割方法的分类

Fu和Mu从细胞学图像处理的角度将图像分割技术分为三大类，特征阈值或聚类、边缘检测和区域提取。

依据算法所使用的技术或针对的图像，Paland pal也把图像分割算法分成了六类：阈值分割、像素分割、深度图像分割、彩色图像分割、边缘检测和基于模糊集的方法。

5.1.基于阈值化的分割方法

阈值分割方法的实质是利用图像的灰度直方图信息，、得到用于分割的阈值。它是用一个或几个阈值将图像的灰度级分为几个部分，认为属于同一部分的像素是同一个物体，它不但可以极大的压缩数据量，而且大大简化了图像信息的分析和处理步骤。

根据对全国使用统一阈值还是对不同区域使用不同阈值，可以分为全局阈值方法和局部阈值方法，也叫自适应阈值方法。

另外还可以分为单阈值方法和多阈值方法。

阈值分割的核心问题是如果选择合适的阈值。

选择的准则不同，得到的阈值化算法就不同。其中，常见的有如下几种：

• P分位数（P-title法）
• 最频值法（也称Mode法）
• Ostu法
• 最大熵方法
• 最小误差法
• 矩量保持法

5.2基于边缘的分割方法

这类方法主要基于图像灰度级的不连续性，它通过检测不同均匀区域之间的边界来实现对图像的分割，这与人的视觉过程有些类似。

边缘检测法大致可以分为以下两类，串行边缘检测技术和并行边缘检测技术。

常见的并行边缘检测方法有Roberts算子、Laplacian算子、Sobel算子、Prewitt算子、Kirsh算子、wlil算子、LoG算子、Cany算子等。

5.3基于区域的分割方法

常见的基于区域的图像分割方法有区域生长与分裂并合法、基于图像的随机场模型法和有监督的分类分割法等。

（1）区域生长与分裂并合法

（2）基于图像的随机场模型法

（3）有监督的分类分割法：

有监督的分类方法是模式识别领域中一种基本的学习分析方法。分类的目的是利用已知类别的训练样本集，在图像的特征空间或其变换空间找到分类决策的点、线、面或超平面，以实现对图像像素的分类，从而达到像素分割的目的。

有监督的分类方法，根据学习的形式可以分为非参数分类法和参数分类法。典型的非参数分类法包括K近邻及Parzen窗。

参数分类法的代表是贝叶斯分类及神经网络分类器以及最近发展起来的支持向量机分类法。

贝叶斯分类器利用训练样本估计类概率分布及类条件概率密度，然后估计未知样本的后验概率，从而实现分类。该分类器具有不需要迭代运算、计算量相对较小且可用于多通道图像等优点；缺点是分类效果严重依赖于训练样本的数量和质量。另外，该方法没有考虑图像的空间信息，对灰度不均匀的图像分割效果不好。

神行网络分类器是利用训练样本集，根据某种准则迭代确定节点间的连接权值，利用训练好的模型来分类未知类别的像素，从而实现图像分割。

由Vapnik等人最近发展的支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小化原理基础上的，根据有限样本信息在模型的复杂性和学习能力之间寻求最佳折中，以期获得最好的泛化性能。他克服了包括神经网络方法在内的传统学习分类方法可能出现的大部分问题，已经被看作是对传统学习分类器的一个好的替代，特别是在小样本、高维非线性情况下，具有良好的泛化性能，是目前机器学习领域研究的热点。

5.4基于神经网络的分割方法

这些神经网络方法的出发点是将图像分割问题转化为诸如能量最小化、分类等问题，从而借助神经网络技术来解决问题，基本思想是用训练样本集对神经网络模型进行训练，以确定节点间的连接和权值，再用训练好的神经网络模型去分割新的图像数据。这种方法存在一个网络的构造问题，即这些方法需要大量的训练样本集，但是收集这些样本在实际应用中非常困难。神经网络模型同样也能用于聚类或形变模型，这时神经网络模型的学习过程是无监督的。由于神经网络存在巨量的连接，因此很容易引入空间信息，但是使用目前的串行计算机去模拟神经网络模型的并行操作时计算时间往往达不到要求。

5.5基于聚类的分割方法

参考学习书总结：OpenCv4.5 计算机视觉开发实战（基于python）

代码来自书本，供自己学习复习使用，继续学习ing...