图像分割方法与问题思考

最新推荐文章于 2023-08-28 20:23:32 发布

倾城一少

最新推荐文章于 2023-08-28 20:23:32 发布

阅读量1.7k

点赞数 1

分类专栏：图像处理文章标签：计算机视觉人工智能图像处理 Powered by 金山文档

本文链接：https://blog.csdn.net/u010329292/article/details/128960629

版权

图像处理专栏收录该内容

15 篇文章 11 订阅

订阅专栏

前言

图像分割就是预测图像中每一个像素所属的类别或者物体。图像分割有两个子问题，一个是只预测类别层面的分割，对每个像素标出一个位置。第二个是区分不同物体的个体。应用场景，比如自动驾驶，3D 地图重建，美化图片，人脸建模等等。传统的图像分割通常和图像分类结合，它是图像识别的第一阶段。

图1 图像识别流程

1、图像分割难点：

噪声影响

无法控制环境

没有一致的标准

没有足够的检测数据

存在病态问题

当图像背景中存在与前景目标相同或相似区域时，没有用户的交互，自动分割出感兴趣的前景目标这个问题本身就是病态的。图像分割可以分为两类：

完全分割

每部分都和一个实物相关

没有重叠的区域

部分分割

拥有均匀亮度、颜色等的区域

重叠的部分，需要进一步处理

2、分割方法

（1）基于阈值的分割

阈值分割是基于直方图的，对图像进行灰度阈值化是最简单的分割处理。图像阈值化算法简单高效，在很多场景中依然得到很多应用，实时性很好。图像阈值化的缺陷也是明显的，不能够很好的利用图像中的诸如色彩、纹理等语义信息，因此在复杂场景中无法得到目标结果。

图像阈值化分为全局阈值和局部阈值及动态阈值。全局阈值是对整幅图像使用单个阈值，局部阈值是根据图像局部信息在局部执行阈值化。阈值化操作有许多改进算法，例如：局部阈值化、带阈值化、半阈值化、多阈值化等。阈值化的关键在于如何选择阈值。

阈值分割的优点是计算简单、运算效率较高、速度快。全局阈值对于灰度相差很大的不同目标和背景能进行有效的分割。当图像的灰度差异不明显或不同目标的灰度值范围有重叠时，应采用局部阈值或动态阈值分割法。另一方面，这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。在实际应用中，阈值法通常与其他方法结合使用。

全局阈值

全局阈值法采用同一个灰度值作为分割门限对整幅图进行处理，特别对直方图分布呈双峰态的图像分割效果好，如：

但在有意义的全局阈值不存在的情况下，全局阈值的分割效果很差，如：

迭代阈值图像分割

迭代阈值的步骤为：

统计图像灰度直方图,求出图象的最大灰度值和最小灰度值，分别记为 $\text{[math]}$ 和 $\text{[math]}$ ，令初始阈值 $\text{[math]}$ 。

根据阈值TK将图象分割为前景和背景，计算小于TO所有灰度的均值ZO，和大于TO的所有灰度的均值ZB。

求出新阈值TK+1=(ZO+ZB)/2；

若TK==TK+1，则所得即为阈值；否则转2，迭代计算。

动态阈值

（2）边缘检测

边缘检测算法是指利用灰度值的不连续性质，以灰度突变为基础分割出目标区域。对铝铸件表面进行成像后会产生一些带缺陷的区域，这些区域的灰度值比较低，与背景图像相比在灰度上会有突变，这是由于这些区域对光线产生散射所引起的。因此边缘检测算子可以用来对特征的提取。

#include<opencv2/opencv.hpp>
#include<opencv2/core/core.hpp>

#include<opencv2/imgproc/imgproc.hpp>
#include<opencv2/highgui/highgui.hpp>

#include<iostream>


using namespace std;
using namespace cv;
Mat roberts(Mat srcImage);
int main(int argc, char** argv)
{
    Mat src,src_binary,src_gray;
    src = imread("D:img.jpg");
    imshow("原图", src);
    cvtColor(src, src_gray, COLOR_BGR2GRAY);
    GaussianBlur(src_gray, src_binary, Size(3, 3),0, 0, BORDER_DEFAULT);
    Mat dstImage = roberts(src_binary);

    imshow("dstImage", dstImage);


    
    waitKey(0);
    return 0;
}
//roberts 边缘检测

Mat roberts(Mat srcImage)
{
    Mat dstImage = srcImage.clone();
    int nRows = dstImage.rows;
    int nCols = dstImage.cols;
    for (int i = 0; i < nRows - 1; i++) {
        for (int j = 0; j < nCols - 1; j++) {
            //根据公式计算
            int t1 = (srcImage.at<uchar>(i, j) -
                srcImage.at<uchar>(i + 1, j + 1))*
                (srcImage.at<uchar>(i, j) -
                    srcImage.at<uchar>(i + 1, j + 1));
            int t2 = (srcImage.at<uchar>(i + 1, j) -
                srcImage.at<uchar>(i, j + 1))*
                (srcImage.at<uchar>(i + 1, j) -
                    srcImage.at<uchar>(i, j + 1));
            //计算g（x,y）
            dstImage.at<uchar>(i, j) = (uchar)sqrt(t1 + t2);
        }
    }
    return dstImage;