圖像分割

什麼是圖像分割？

（1）圖像分割的主要目標是將圖像劃分爲與其中含有真實世界的物體或區域有強相關性的組成部分

（2）分割方法能夠歸類以下：閾值化、基於邊緣、基於區域

（3）每一個區域能夠用其封閉的邊界來表示，每一個封閉的邊界描述一個區域

（4）主要的分割問題有圖像數據的不明確和信息噪聲

（5）分割過程當中可獲得的先驗信息越多，所能得到的分割結果就越好。

---

閾值化

（1）閾值化是最簡單的分割處理，計算代價小速度快。一個常量閾值用來分割物體和背景

（2）既能夠在整個圖像上施加閾值（全局閾值），也可使用依賴圖像部分而改變的閾值（局部閾值）。單個閾值在整個圖像上成功的狀況比較少

（3）閾值化有許多修正：局部閾值化、帶閾值化、多閾值化等

（4）閾值檢測方法自動地肯定閾值。若是事先知道分割後的圖像的某種性質，就能夠簡化閾值選擇，由於閾值能夠按照該性質得以知足的條件來選擇。閾值檢測可使用p率閾值化、直方圖形狀分析、最優閾值化等

（5）在二模態直方圖中，閾值能夠肯定爲兩個最大的局部極大值之間的極小值位置。

（6）最優閾值化肯定閾值爲離對應於兩個或更多個正態分佈最大值之間的最小蓋倫處最近的灰度值，其結果是具備最小錯誤的分割。

（7）多光譜閾值化適合彩色或多譜段圖像

基於邊緣的分割

（1）基於邊緣的分割依賴於邊緣算子（在圖像的預處理中有提到過）；邊緣算子標示了圖像在灰度、彩色、紋理等方面不連續的位置

（2）圖像噪聲或不適合的信息一般能夠致使在沒有邊界的地方出現了邊緣以及在實際存在邊界的地方沒有出現邊緣

（3）邊緣圖像閾值化是基於邊緣圖像構建的，由合適的閾值處理來實現

（4）邊緣鬆弛法在相鄰邊緣的上下文中考慮邊緣。若是存在邊界出現的足夠證據，就增長局部邊緣強度，反之亦然。全局鬆弛法（優化）過程創建了邊界

（5）能夠定義內邊界、外邊界和擴展的邊界。內邊界老是區域的一部分；外邊界毫不是。那麼利用內邊界、外邊界的定義，若是兩個區域相鄰，它們毫不會有共同的邊界。擴展邊界定義了相鄰區域的單一的共同邊界，能夠用標準的像素座標來標識

（6）若是定義了最優性準則，可使用（啓發式）圖搜索或動態規劃方法肯定全局最優邊界。基於圖搜索的邊界檢測是一種極爲有力的分割方法——邊界檢測過程被轉換爲在加權圖中搜索最優路徑的問題。結點與費用關聯起來，該費用反映邊界經過某個特定結點（像素）的可能性。鏈接兩個指定結點即起點和終點的最優路徑（最優邊界，相對於某個目標函數來講）就得以肯定

（7）費用定義（評價函數）是邊界檢測成功的關鍵。費用計算的複雜度的變化範圍覆蓋了從簡單的邊緣強度的逆到複雜的先驗知識的表示，先驗知識是有關帶搜索的邊界、分割任務、圖像數據等的

（8）圖搜索使用Nilsson的A-算法，能夠確保最優性。啓發式圖搜索能夠顯著地加快搜索速度，儘管啓發式必須知足附加的約束才能確保最優性

（9）動態規劃是基於最優化原理的，給出了從多個起點和終點中同時搜索最優路徑的一個有效的方法

（10）使用A-算法搜索圖，並不須要構造整個圖，由於只有須要時才計算擴展節點的費用。在動態規劃中，必須建好完整的圖

（11）若是局部費用函數的計算簡單，動態規劃多是在計算上花費不搞的選擇。然而，對於特定問題而言兩種圖搜索方法（A-算法，動態路徑）中究竟哪一種方法更有效，取決於評價函數和A-算法的啓發式信息的性質

（12）Hough變換分割適用於在圖像中檢測已知性質的物體，Hough變換能夠檢測直線和已知解析公式的曲線（物體邊界）。在識別有遮擋和受噪聲影響的物體方面是魯棒的

（13）若是待搜索形狀的解析公式並不存在，可使用廣義Hough變換，參數曲線（區域邊界）描述是基於樣本狀況的，並在學習階段肯定下來

（14）儘管根據徹底的邊界造成區域是微不足道的，根據部分邊界肯定區域多是一個很是複雜的任務。能夠根據以下的機率來創建區域：像素是否位於由部分邊界包圍的區域內。這些方法並不老是能找到能夠接受的區域，可是它們在不少實際狀況下頗有用

基於區域的分割

（1）區域增加分割應該知足徹底分割條件和最大區域一致性條件

（2）有三種基本的區域增加方法存在：區域歸併、區域分裂、分裂與歸併區域增加

（3）區域歸併從知足式（6.22）的區域構成的過度割圖像開始，只要可以保持知足式（6.22）就將符合式（6.23）給出的歸併條件的區域歸併起來

（4）區域分裂與區域歸併相反。區域分裂開始於不知足式（6.22）所給條件的欠分割圖像存在的圖像區域順序地被分裂開以便知足徹底分割條件和最大區域一致性條件

（5）分裂和歸併的結合能夠產生兼有兩者優勢的一種新方法。分裂與歸併方法常在金字塔圖像表上進行。區域是方形的與合適的金字塔層元素對應。由於兩個選擇都存在，起始分割沒必要知足式（6.22）、式（6.23）給出的任一條件

（6）在分水嶺分割中，集水盆地表明瞭分割後圖像的區域。分水嶺分割的最初算法開始於尋找從圖像的每一個像素到圖像表面高程的局部極小的下游路徑。定義集水盆地爲知足如下條件的全部像素的集合：這些像素的下游路徑終止與同一個高程極小點。在第二方法中好，每一個極小值表明了一個集水盆地，策略是從這個高程極小值開始填充集水盆地

（7）使用區域增加方法分割後的圖像，時常因爲參數設置的非最優性形成的結果，不是含有太多的區域（欠增加）就是含有太少的區域（過增加）。許多後處理器被提出來改進分類結果。簡單的後處理器減小分割後圖像中的小區域的數目。更復雜的後處理方法能夠將從區域增加獲得的分割信息與邊緣的分割結合起來

匹配

（1）模板匹配能夠用於在圖像中定位已知表觀的物體，也能夠用於搜索特殊的模式等。最好的匹配時基於某種最優性準則的，該準則依賴於物體的性質和物體的關係

（2）匹配標準的定義能夠有多重方式，特別地，模式與被搜索的圖像數據間的相關性是一個廣泛性的匹配標準

（3）斜切匹配能夠用於定位一維特徵，否則使用基於費用的最優方法可能會失效

評測

（1）基於模板的匹配比較耗時，可是該過程能夠經過引入合適的模板匹配控制策略來加速評測

（2）分割的評測對於決定分割算法，給定算法的參數選擇很是有用

（3）監督式的評測比較了分割算法的輸出與真值

（4）監督式的方法一般比較相互重疊區域，或者分割邊界間的距離——存在一些不一樣的作法

（5）真值經常很難定義或者得到代價很大。非監督式的方法評價分割效果時不須要考慮真值

（6）有不少非監督式的方法存在，但他們一般受到圖像區域假設的限制

文中部分概念沒法詳細說明，你們能夠關注公衆號並輸入「圖像處理」能夠得到此書，鑑於上次有不少好學的同志們在後臺回覆和取書，我又特地找一些資料，增長在最新的連接中，打擊盜版人人有責，讀書人的事怎麼能叫偷呢？快關注並回復吧，等你來超越。

歡迎關注和訂閱AI算法與圖像處理公衆號（AI_study）

不按期更新和分享高質量的文章和學習資料，讓我一塊兒進步吧，fighting

本文分享自微信公衆號 - AI算法與圖像處理（AI_study）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。