halcon 方向梯度_Halcon中其他几种常用分割算法

图像分割是视觉图像处理的基础，指的是将数字图像细分为多个图像子区域。这样方便对图像中的每个子区域进行特征统计，或者提取感兴趣的区域。

最简单的分割算法当属阈值分割，即在0到255之间设定一个值，当图像的灰度值大于等于的设定的值时为1，小于设定的值时为0.基于这种固定阈值分割算法又演变出多种阈值分割算法。如局部自适应阈值分割，动态阈值分割，基于局部均值和方法的阈值分割，利用直方图的波峰波谷特性进行阈值分割，最大类间方差分割等等阈值分割算法。这些分割算法都可以归为阈值分割算法。阈值分割的问题主要在于如何设定合适的阈值，对于背景和特征比较明显的图像，阈值分割比较有效，而且运行速度快，在机器视觉中是常用的方法。

除了阈值分割之外，还有一种分割算法是基于边界的分割。首先利用边界检测算法检测图像的边界，然后基于检测的边界对图像再进行阈值分割。如sobel算法，canny算法，LOG(高斯拉普拉斯算法)，DOG(高斯差分算法)等等。边界检测算法主要是利用图像在边界位置的梯度变化来实现的。由于图像的边缘部分的梯度变化比较大，一般用一阶差分或二阶差分将边界凸显出来，然后进行阈值分割。这种分割算法比较依赖边界检测的准确性，但是梯度的变化即使在边界比较模糊的情况下也能够准确的检测出来，只要图像在边缘的灰度有一定的变化就可以，这是相对于阈值分割的有优点。但是边界检测算法有很多，如何选择合适的边缘检测算子也要根据不同的图像进行测试才能够得到更好的结果。

除了以上两种常见的分割算法之外，要有一种比较常用的分割算法，即基于区域的分割，如区域生长算法&