图像分割及其实现过程（MATLAB篇+代码）

一、传统分割方法的介绍：

在传统的分割方法中，有许多的方法能实现图像分割，如：蛇模型（snack）、测地活动轮廓模型（GAC）、Mumford-Shah 模型、Chan-Vese 模型、直方图方法、核方法等等

在这些方法中，又分为边缘图像分割的方法、区域图像分割的方法、统计与信息论的方法，感兴趣的小伙伴可以自行了解，这里就不再过多赘述，下面我会提供三种方法的MATLAB源码以及实现过程

二、源码以及实现过程：

1.测地活动轮廓模型（GAC）：

测地活动轮廓模型（GAC）基于蛇模型的改进，这一模型的优点是消除了经典 Snake 模型依赖于曲线参数的缺陷，即它是内蕴的，克服了传统标注点方法不能改变拓扑的缺点。

（1）源码：

% 测地活动轮廓模型 Main
clear
file_path = 'D:\thyroid nodule\';
img_list = dir(strcat(file_path));
matArray = cell(1,26);

% 设置GAC模型参数
R = [130,80,110,85,130,130,130,60,130,100,130,130,110];     % 行位置
C = [120,120,140,125,120,120,120,100,120,70,120,120,140];     % 列位置
refGrayVal = 20;         % 灰度强度差异
thresh = 0.01;             % 非负标量的阈值电平
iterations = 300;          % 迭代次数

for i = 3:15
    img_name = img_list(i).name;
    img = imread(strcat(file_path,img_name));
    %转成灰度图像
    Igray = rgb2gray(img);
    matArray{2*i-5} = Igray;
    %运行GAC模型
    BW = GAC(Igray,R(i-2),C(i-2),refGrayVal,thresh,iterations);
    matArray{2*i-4} = BW;
end

% 将结果分两次呈现
% 第一次
figure;
subplot(4,4,1);imshow(matArray{1});title('原始图像');
subplot(4,4,2);imshow(matArray{2});title('分割结果');
hold on
for i = 3:16
    %显示结果
    if mod(i,2)==1
        subplot(4,4,i);imshow(matArray{i});title('原始图像');
    end
    if mod(i,2)==0
        subplot(4,4,i);imshow(matArray{i});title('分割结果');
    end
end
hold off

%第二次
figure;
subplot(3,4,1);imshow(matArray{17});title('原始图像');
subplot(3,4,2);imshow(matArray{18});title('分割结果');
hold on
for i = 19:26
    %显示结果
    if mod(i,2)==1
        subplot(3,4,i-16);imshow(matArray{i});title('原始图像');
    end
    if mod(i,2)==0
        subplot(3,4,i-16);imshow(matArray{i});title('分割结果');
    end
end
hold off

function BW = GAC(Igray,R,C,refGrayVal,thresh,iterations)
    % 选择种子位置
    seeds = false(size(Igray)); 
    seeds(R,C) = true;

    % 设置权重数组
    W = graydiffweight(Igray, seeds, 'GrayDifferenceCutoff',refGrayVal);

    % 初始化
    BW = imsegfmm(W, seeds, thresh);

    % 优化处理
    BW = activecontour(Igray,BW,iterations);
end

（2）分割结果：

2.蛇（Snack）模型：

蛇模型是一种基于能量最小化的方法，用于在图像中找到对象的边界。这个模型可以看作是一个弹性曲线，它在图像中移动，试图紧密地贴合到感兴趣对象的边界。

（1）源码：

%Snack模型，主函数
clear
file_path = 'D:\thyroid nodule\';
img_list = dir(strcat(file_path));
matArray = cell(1,26);
for i = 3:15
    img_name = img_list(i).name;
    img = imread(strcat(file_path,img_name));
    matArray{2*i-5} = img;
    Iterations = 100;
    %运行Snack模型
    bw = Snack(img,Iterations);
    matArray{2*i-4} = bw;
end
% 将结果分两次呈现
% 第一次
figure;
subplot(4,4,1);imshow(matArray{1});title('原始图像');
subplot(4,4,2);imshow(matArray{2});title('分割结果');
hold on
for i = 3:16
    %显示结果
    if mod(i,2)==1
        subplot(4,4,i);imshow(matArray{i});title('原始图像');
    end
    if mod(i,2)==0
        subplot(4,4,i);imshow(matArray{i});title('分割结果');
    end
end
hold off

%第二次
figure;
subplot(3,4,1);imshow(matArray{17});title('原始图像');
subplot(3,4,2);imshow(matArray{18});title('分割结果');
hold on
for i = 19:26
    %显示结果
    if mod(i,2)==1
        subplot(3,4,i-16);imshow(matArray{i});title('原始图像');
    end
    if mod(i,2)==0
        subplot(3,4,i-16);imshow(matArray{i});title('分割结果');
    end
end
hold off

function bw = Snack(img,Iterations)
% 显示图像
figure,imshow(img);
title('Origicle Image');

% 选择初始轮廓
h = imfreehand(gca);

% 创建二值掩膜
BW = createMask(h);

% 预处理图像
img = rgb2gray(img);
img = imnoise(img, 'gaussian', 0.05);

bw = activecontour(img, BW, Iterations);
end

（2）分割结果：

由于这个方法的掩膜是由自己画的，产生的图像没有一起生成，这里就展示第一张图像的

3.直方图方法：

直方图方法对区间的中心部分密度估计较准，边缘部分较差

（1）源码：

% 直方图方法
clear
file_path = 'D:\thyroid nodule\';
img_list = dir(strcat(file_path));
matArray = cell(1,26);
threshold = [130,110,80,100,100,50,30,60,80,100,70,80,30];
for i = 3:15
    img_name = img_list(i).name;
    img = imread(strcat(file_path,img_name));
    
    %转成灰度图像
    Igray = rgb2gray(img);
    matArray{2*i-5} = Igray;
    
    % 生成直方图
    [counts, grayLevels] = imhist(Igray);
    % 绘制直方图
    figure, stem(grayLevels, counts);
    
    % 二值化
    binary_img = (Igray <= threshold(i-2));
    matArray{2*i-4} = binary_img;
end

% 将结果分两次呈现
% 第一次
figure;
subplot(4,4,1);imshow(matArray{1});title('原始图像');
subplot(4,4,2);imshow(matArray{2});title('分割结果');
hold on
for i = 3:16
    %显示结果
    if mod(i,2)==1
        subplot(4,4,i);imshow(matArray{i});title('原始图像');
    end
    if mod(i,2)==0
        subplot(4,4,i);imshow(matArray{i});title('分割结果');
    end
end
hold off

%第二次
figure;
subplot(3,4,1);imshow(matArray{17});title('原始图像');
subplot(3,4,2);imshow(matArray{18});title('分割结果');
hold on
for i = 19:26
    %显示结果
    if mod(i,2)==1
        subplot(3,4,i-16);imshow(matArray{i});title('原始图像');
    end
    if mod(i,2)==0
        subplot(3,4,i-16);imshow(matArray{i});title('分割结果');
    end
end
hold off

（2）分割结果：

之后，我还会发布基于深度神经网络FCN模型的图像分割的实现过程（Python篇），感兴趣的小伙伴可以关注一下。