图像分割算法

一.区域生长

算法概括：将具有相似性质的像素点连成合并在一起。每一个区域，要有一个种子点作为生长起点，然后将种子点周围所设置领域的像素点，按照生长规则进行生长合并，直到没有能满足生长点的像素为止。

算法步骤如下：

1.确定设置生长点规则，使用vector存储

2.确定生长条件，生长点领域

3.进行生长

二.均值迭代分割

算法概括：对于均值分割，就是迭代计算出一个T，使得阈值T能够把灰度图像分割成A，B两类，其中A为物体·，B为背景，满足条件：A的灰度均值T1加上B的灰度均值T2的均值等于T。

算法步骤如下：

1.初始化一个阈值T，通常取图像平均灰度值

2.根据阈值将灰度图像进行分割，计算A，B类图像灰度均值

3.更新阈值T，使得A的灰度均值加上B的灰度均值的均值等于T

4.重复2，3步骤，知道相邻T值相等，或两者差值在一定范围。

5.使用这个阈值对灰度图像进行二值化分割。

三.最大类间方差（OTUS）分割

算法概括：获得一个阈值T，使得以T为界限的A，B两部分灰度图之间的方差最大，最后利用T，进行二值化。

算法步骤如下：

待处理图像灰度值范围为[0,m−1]， 记灰度值为i的像素个数为ni. 设初始最大方差为0

1.统计图像中不同灰度值的像素数量相加的总和N

2.计算每个灰度值i，属于[0，m-1],在图像中所占概率

3.假设当前i为x（使用i作为T，i属于[0，255]，从i等于零开始循环，到255停止),那么把i作为阈值T，小于T的灰度作为一部分A，大于T的灰度作为一部分B，然后计算A，B之间的方差

其中

前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1，g为方差

4.将获得方差与最大方差比较，若小与最大方差，则最大方差不变，若大与最大方差，则把方差赋给最大方差，并且把i作为二值化的阈值。

5.重复3，4步，直到i大于255。

四.最大熵分割

算法概括：信息熵，当系统越混乱，不确定性越大时，信息熵越大，当系统越有序，确定性越高时，信息熵越小，因此可以使用这个方法分割物体与背景。信息熵计算式子如下：

上述式子中P(x)，代表的是灰度x出现的频率，H表示信息熵

算法步骤：

1.i属于[0，255]，i作为阈值，对灰度图进行区分，低于阈值的为背景B，高于阈值的为物体O，设置一个最大信息熵，其值为-1

2.计算每个灰度值在背景B，物体O中的比例（或者概率）

3.分别计算灰度i在背景，物体中的信息熵，并将两者信息熵相加，将得到的总和与最大信息熵对比，若大于则将总和赋给最大信息熵，将i设为二值化的阈值，小于的话，最大信息熵值保持不变

4.分别对图像中的每一个灰度进行2，3步骤，直到i大于255