传统图像分割方法汇总

基于阈值的分割

阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据比较结果分到合适的类别中。因此，该类方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。

1. 固定阈值分割:固定某像素值为分割点。
2. 直方图双峰法
3. 迭代阈值图像分割
4. 自适应阈值图像分割
   • 大津法 OTSU （最大类间方差法）
   • 局部二值化阈值（cv.adaptiveThreshold）

可参考：链接

基于边缘的分割

前后背景的边缘处会存在一些跳变，因此可基于微分算子进行边缘出的检测。如sobel算子。

基于区域的分割

1. 种子区域生长法：根据统一物体区域的像素相似性来聚集像素点达到区域生长的方法。
2. 区域分裂合并法：将图像任意分成若干互不相交的区域，按准则对这些区域进行分裂合并。
3. 分水岭法：其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭

基于图论的分割

1. GraphCut 图割：分割的最优原则就是使划分后的子图在内部保持相似度最大，而子图之间的相似度保持最小。
2. GrabCut 分割和抠图：是Graphcut图隔的改进版，是迭代的GraphCut。

基于能量泛函的分割

该类方法主要指的是活动轮廓模型（active contour model）以及在其基础上发展出来的算法，其基本思想是使用连续曲线来表达目标边缘，并定义一个能量泛函使得其自变量包括边缘曲线，因此分割过程就转变为求解能量泛函的最小值的过程，一般可通过求解函数对应的欧拉(Euler．Lagrange)方程来实现，能量达到最小时的曲线位置就是目标的轮廓所在。