图像分割算法的优缺点比较

本文章只做简单介绍各个分割方法，后续会对各个方法一一做详细介绍

数字图像处理常用的图像分割算法有：

1. 基于阀值的分割方法。
2. 基于边缘的分割方法。
3. 基于区域的分割方法。
4. 基于聚类分析的图像分割方法。
5. 基于小波变换的分割方法。
6. 基于数学形态学方法。
7. 基于人工神经网络的方法。
8. 基于遗传算法的方法。

阈值分割

1、原理
用一个或几个阈值将图像的灰度直方图分成几个类， 认为图像中灰度 值在同一类中的像素属于同一物体。（常用的二值分割）
2、优点
直接利用图像的灰度特性，所以计算简单、运算效率较高、速度快。
3、适用范围
相差很大的不同目标和背景能进行有效的分割。
4、缺点
对噪声敏感，对灰度差异不明显以及不同目标灰度值有重叠分割不明显，所以需要与其他方法进行结合。合适的阈值查找。

边缘分割

1、原理
通常不同的区域之间的边缘上像素灰度值的变化往往比较剧烈， 这是边缘检测方法得以实现的主要假设之一。常用灰度的一阶或二阶微分算子进行边缘检测。
2、优点
搜索检测的速度快，对边缘检测好。
3、适用范围
低噪声干扰，区域之间的性质差别很大（或则说边缘变化大）。
4、缺点
不能得到较好的区域结构，边缘检测时抗噪性和检测精度之间的矛盾。精度提高，则会牺牲抗噪性，反之。我们可以设置一个熵，取一个折中的办法，求取熵最大的时候的精度和抗噪性。

区域分割

1、原理
把具有