图像分割

图像分割算法一般是基于亮度的两个基本特征之一：不连续性和相似性。前者主要应用于亮度不连续变化的分割方法，后者场应用于依据制定的相似性规则来进行分割。

基于不连续性的分割——间断检测

模板：以待测点在内的某个邻域，各个像素点对应的位置有不同的权重，但所有的权重之和为0，表示在灰度级恒定的区域内来自模板的响应为零。

1）点检测

|R|>T，其中R是模板运算后的结果，T为设计的一个阈值，当满足条件时即认为检测到了一个点。例如一个模板可以为：BLOCK = [-1，-1，-1；-1，8，-1；-1，-1，-1]。

2）线检测

模板的设计过程中，使用在各个正值的权重处于一条线上，用于检测图像中是否有该方向上的线（其他方向上的线并不检测）。模板运算后的结果大于阈值则认为存在。

BLOCK = [-1，-1，-1；2，2，2；-1，-1，-1]

3）边缘检测

边缘的检测方法常常是使用一阶或者二阶数字导数来实现。一阶导描述的是灰度的变化趋势，二阶导是一阶导的变化描述。常见的一节算子有：roberts、sobel、prewiit等算子；二阶算子有拉普拉斯算子。拉普拉斯算子由于其对噪声敏感且其幅值产生双边缘，因此不用于边缘检测，但常利用其零交叉的性质进行边缘定位。

边缘连接：霍夫变换

基于相似性的分割

阈值分割

设置一个全局的阈值，图像中的像素值大于该阈值则为1，否则为0。此时获得图像的二值图像（前景和后景）。

阈值的获取方法：

<1>随机选取一个值，然后迭代的选取前后景的平均值作为新的阈值，重新分割。

<2>灰度直方图，如果是双峰，则选取两个波峰的波谷最底处对应的灰度值做为阈值。

<3>...

区域生长

选取种子；根据添加规则判断像素是否加入该区域。

区域的分离与合并。

分水岭

分水岭分割算法主要应用于从背景中提取出近乎一致的对象。分水岭算法易受噪声的影响或者局部梯度不均造成过分割，可以使用添加标签或者进行区域合并的方法来优化。