图像分割算法简介(上）

（ps：这是我的一份作业，寒假看了一些资料，写的这篇关于图像分割的简介，删除了作业中一些凑字数的话...）

摘要：本文将分类介绍以下算法：基于边缘的图像分割（包括一阶、二阶梯度算子、Canny算子），基于阈值的图像分割（全局阈值、局部阈值），基于区域的图像分割（区域生长合并、区域分裂合并、形态学分水岭、mean shift图像分割以及JSEG算法），基于图论的图像分割（Graph cut、GrabCut），以及基于PDE的主动轮廓模型的分割（Snakes算法、Level set水平集方法）。

1. 基于边缘的图像分割

        最常见的基于边缘的图像分割算法是用于空域的梯度算子。它们往往是用来处理灰度图像，一阶的梯度算子通过对图像空域上的差分来求取一阶导数。在两块不同灰度区域的边缘上，一阶导数的模值达到最大。通过设定的阈值，将梯度值大于阈值的位置确定为边缘。常见的一阶梯度算子有：Prewitt、Roberts、Sobel。通过，选用不同的模板，与图像卷积得到结果。

        但是，一阶梯度算子存在检出边缘较多的问题，采用二阶微分的梯度算子，能取得更好的效果。因为，一阶导数的局部极大值对应着二阶导数中的零交叉点，通过找出二阶导数的零交叉点就能确定精确的边缘点^[1]。

        常用的二阶梯度算子是Laplacian算子，但是这种二阶梯度算子对噪声非常敏感，二阶差分的运算起着双倍加强的噪声的影响。因而，更好的二阶梯度算子是将有着图像平滑效果的Gaussian滤波器和Laplacian算子结合，一定程度上减弱噪声的影响，同时较好的提取边缘。这就是LOG（Laplacian of Gaussian）算法^[2]。

 John F. Canny于1986年提出的Canny算法^[3]在边缘提取中也是效果很好一种方法。Canny算法对边缘处理有以下步骤：

1) 用高斯滤波器去除图像的噪声。

2) 用一阶偏导数来计算梯度的幅值及其方向。

3)对梯度幅值进行非极大值抑制。即比较某像素位置梯度的四邻域，若其不是五个值中的最大值，则将其置0。

4)使用双阈值检测和连接边缘。设置一高一低两个阈值，将梯度值大于高阈值的标记为强边缘，梯度值只大于低阈值的标记为弱边缘。强边缘都是目标边缘，在此基础上，寻找其8邻域内是否存在弱边缘，若有则将其连入边缘中形成最终结果。

       Canny算法得到的是单像素连通的边缘，由于对梯度幅值的非极大值抑制，使得面对图像纹理较复杂的情况时，往往会丢失边缘信息。其他基于边缘的图像分割算法还有小波多尺度边缘检测：利用二进小波变换，在大尺度下抑制噪声，小尺度定位边缘，抗噪能力比较好。形态学的top-hat