机器学习笔记之图像分割

详细请参考：硕士论文，   基于机器学习的车辆目标识别方法

图像分割：

                就是把图像中具有特殊含义的不同区域分割开来，这些区域是互不相交的，每一个区域都满足特定区域的一致性。

               目前为止，不存在一个通用的分割方法，也不存在一个判断是否分割成功的客观标准，因此被认为是机器视觉的瓶颈。

机器视觉中的图像处理包括：

                目标检测，特征提取，目标识别，他们都依赖于图像分割的质量。

阈值分割法：

              根据利用的信息不同分为6类：                        

直方图阈值分割，如 Ramesh方法；
聚类分割的阈值分割法 如 Kittler方法；
基于熵的阈值分割法 如Kapur方法；
基于属性相似度的阈值分割 如Pikaz方法；
基于空间信息的阈值分割法 如Pal;
基于局部信息的阈值分割方法 如 Yanowitz；

1 基于最大类间方差法

由Otu提出的最大类间方差法，是在判决分析最小二乘法原理的基础上推导而来的。该方法将图像按灰度级划分为两类，

当两类的类间方差最大的时候，就认为找到了分割图像的最佳阈值。

显然Otu法是基于分割出的目标与背景之间差距应最大的思想来确定阈值的