计算机视觉（八）：图像分割

更多内容关注公众号：数学的旋律

tb店铺搜：FUN STORE玩物社，专业买手挑选送礼好物

一、阈值处理

      由于阈值处理直观、实现简单且计算速度快，因此图像阈值处理在图像分割应用中处于核心地位。

1. 基础知识

      假设图1(a)中的灰度直方图对应于图像 $f(x,y)$，该图像由暗色背景上的较亮物体组成，以这样的组成方式，物体像素和背景像素所具有的灰度值组成了两种支配模式。从背景中提取物体的一种明显方法是，选择一个将这些模式分开的阈值 $T$。然后，$f(x,y)>T$ 的任何点 $(x,y)$ 称为一个对象点；否则该点称为背景点。分割后的图像 $g(x,y)$ 由下式给出：
$$g(x,y)=\{\begin{array}{ll}1,& \text{f(x,y)>T}\\ 0,& \text{f(x,y)≤T}(1)\end{array}$$当 $T$ 是一个适用于整个图像的常数时，上式给出的处理称为全局阈值处理。当 $T$ 值在一幅图像上改变时，我们把该处理称为可变阈值处理（局部阈值处理或区域阈值处理有时用于表示可变阈值处理）。若 $T$ 取决于空间坐标 $(x,y)$ 本身，则可变阈值处理通常称为动态阈值处理或自适应阈值处理。
      图1(b)显示了一个更为困难的阈值处理问题，它包含有三个支配模式的直方图。分割的图像由下式给出：
$$g(x,y)=\{\begin{array}{ll}a,& \text{f(x,y)>T2}\\ b,& \text{T1<f(x,y)≤T2}\\ c,& \text{f(x,y)≤T1}\end{array}$$式中，a、b和c是任意三个不同的灰度值。

图1

2. 基本的全局阈值处理

      当物体和背景像素的灰度分布十分明显时，可以用适用于整个图像的单个（全局）阈值。能对每幅图像自动估计阈值的算法如下：
① 为全局阈值 $T$ 选择一个初始估计值。
② 在式(1)中用 $T$ 分割该图像。这将产生两组像素：$G_1$ 由灰度值大于 $T$ 的所有像素组成， G 2 G_2