Intro

圖像中的某些感興趣部分稱為目標(biāo)或前景。
為了辨識和分析目標(biāo)，提取有關(guān)區(qū)域，進(jìn)一步利用目標(biāo)，如特征提取和測量。

圖像分割就是指把圖像分成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過程。

分割的目的：將圖像劃分為不同區(qū)域

圖像分割的基本策略：一般基于亮度值的兩個基本特征

1. 不連續(xù)性--區(qū)域之間，基于亮度的不連續(xù)變化分割圖像，如圖像的邊緣
2. 相似性--區(qū)域內(nèi)部，根據(jù)制定的準(zhǔn)則將圖像分割為相似的區(qū)域，如閾值處理（門限處理），區(qū)域生長，區(qū)域分離和聚合。

邊界分割法

噪聲的影響.PNG

梯度法

邊界分割的流程

sobel.PNG

閾值分割.PNG

二階導(dǎo)數(shù)

1. 拉普拉斯算子
2. LOG(Laplacian of Gaussian)

LOG算子步驟：

1. 平滑濾波器采用高斯濾波器
2. 增強(qiáng)步驟采用二階導(dǎo)數(shù)（二維拉普拉斯函數(shù)）
3. 邊緣定位判據(jù)是二階導(dǎo)數(shù)零交叉點并對應(yīng)一階導(dǎo)數(shù)的較大峰值。

canny邊緣檢測：

1. 用高斯濾波平滑圖像
2. 用一階偏導(dǎo)的有限差分來計算梯度的幅值和方向
3. 用梯度幅值來做非極大值抑制
4. 用雙閾值算法和連接分析來檢測并連接邊緣。

sobel，LOG，Canny比較

比較.PNG

消除無用細(xì)節(jié)且邊緣質(zhì)量高（連續(xù)性，細(xì)度和比值度等），首選Canny算法

邊緣檢測算子小結(jié)，基本步驟

1. 去噪（平滑）。邊緣檢測算法主要基于導(dǎo)數(shù)計算，但受噪聲影響，但濾波器在降低噪聲的同時也導(dǎo)致邊緣強(qiáng)度的損失。
2. 增強(qiáng)。增強(qiáng)算法將鄰域中灰度有顯著變化的點突出顯示。一般通過計算梯度幅值來實現(xiàn)
3. 閾值化
4. 定位，精確定位邊緣的位置。

邊緣連接法

局部連接處理

時機(jī)：對做過邊緣檢測的圖像進(jìn)行
目的：連接間斷的邊

局部處理的連接原理：
最簡單的方法是分析f(x,y)的一個小鄰域內(nèi)的像素點，“特性”相似點連接起來。
邊緣像素相似性的兩個主要性質(zhì)為
(1)梯度相應(yīng)強(qiáng)度
(2)梯度向量方向

條件.PNG

當(dāng)梯度值和方向角都是相似的，則點(x0,y0)與邊界點(x,y)是連續(xù)的。

步驟：

1. 對做過邊緣檢測的圖像的每個點(x,y)的特性進(jìn)行分析
2. 分析在一個小的鄰域（33 or 55）中進(jìn)行
3. 所有相似的點被連接，形成一個享有共同特性像素的邊界
4. 其中用比較梯度算子的響應(yīng)強(qiáng)度和梯度方向來確定這兩個點是否同屬于一條邊。
5. 最后刪除孤立線段，連接斷開的線段。

閾值分割法

基本思想：設(shè)定一個合適的閾值，將大于或等于閾值的像素作為物體或背景，生成一幅二值圖像。閾值選定的好壞是此方法成敗的關(guān)鍵因素。

閾值處理.PNG

閾值分割法的特點：適用于物體與背景有較強(qiáng)對比的情況，重要的是背景或物體的灰度比較單一。

通過直方圖得到閾值

直方圖.PNG

直接法：取直方圖谷底（最小值）的灰度值作為閾值T
缺點：會受到噪音的干擾，最小值不是預(yù)期的閾值而是偏離期望的閾值。
改進(jìn)：去兩個峰值之間某個固定位置，可以排除噪音的干擾。

全局閾值-自適應(yīng)迭代算法（Isodata門限算法）

自動門限的獲得：

1. 選擇一個T的初值
2. 用T分割圖像，分成了兩類像素 f(x,y)>T ->G1
   f(x,y)<T -> G2
3. 對區(qū)域G1，G2計算平均灰度u1，u2
4. 獲得新門限，T=0.5(u1+u2)
5. 重復(fù)2-4 直到T變化足夠小

用Otsu法的最佳全局閾值處理

求使類間方差（分離度）最大的閾值T

otsu.PNG

用圖像平滑改善全局閾值處理

otsu效果差的時候.PNG