在图像分析中,图像分割在两个方面有不同的解释,一个是整体图像分割,它的目标是区分开整个图像的不同的区域;另一个方面是目标分割也叫做目标提取,方便对目标的识别和理解。
在对彩色图像进行目标提取,通常有两类方法常被采用:一类实现的目标分割取决于目标区域的颜色,包括直方图阈值法、K—均值聚类算法或模糊K—均值聚类等算法;另一类是基于像素的空间信息,后者又分为两小类:一类是取决于目标边缘的梯度信息,因此它经常被成为基于边缘分割的方法,传统的基于边缘的分割方法的实现要两个步骤,首先是用一些底层的边缘检测算子检测出图像中所有边缘,人们一般用Sobel、Canny等算子进行边缘检测,然后根据连续性和联通性,使用边缘链接策略进行边缘连接。由于局部梯度信息的利用使得这些算法对噪声非常敏感,从而影响它们的收敛速度和分割效果,因而这类方法的难点在于如何处理边缘的噪声、重叠和断裂的边界,以及复杂形状;另一类是依赖图像中区域像素空间位置信息,使用了像素之间的相关性,因为这些算法受区域中的所有的像素的影响,因此他们通常被叫做基于区域的分割。基于区域的图像分割一般不易收到噪声的影响,这类方法是以高 的计算复杂度为代价的。
图像中去除噪声
常用去噪方法:均值滤波、中值滤波、高斯滤波
对图像去噪的过程可以认为是一种图像平滑或者滤波的过程。
(1)均值滤波
均值滤波,它是线性滤波同时是去噪算法中最简单的方法之一,考虑到噪声在数值上与其相近的像素