所谓图像分割，是指根据图像的灰度、颜色、纹理、形状等特征，将图像划分成若干个互不重叠的区域，并使这些特征在同一区域表现出相似性，而在不同区域表现出明显的差异性。
1、基于边缘的图像分割方法边缘总是以强度突变的形式出现，可以定义为图像局部特征的不连续性，如灰度和纹理结构的突变。边缘通常意味着一个区域的结束和另一个区域的开始。边缘检测通常借助于空间微分算子，通过其模板与图像的卷积来完成。相邻的两个灰度值不同的区域之间总有一条灰度边缘，这是灰度值不连续的结果，可以通过取一阶和二阶导数来检测。在当今的边缘检测方法中，主要有一次微分、二次微分和模板运算。对于不太复杂的图像，这些边缘检测器可以获得良好的结果，例如清晰的边缘灰度值过渡和较少的噪声。但对于边缘复杂的图像，如边缘模糊、边缘丢失、边缘不连续等，效果并不理想。噪声的存在明显降低了基于导数的边缘检测方法的效果。在高噪声的情况下，边缘检测算子通常会对图像进行适当的平滑以抑制噪声，然后计算导数，或者对图像进行局部拟合，然后用拟合平滑函数的导数代替直接的数值导数，比如Canny算子。在今后的研究中，提取初始边缘点的自适应阈值的选择、选择更大的区域进行图像分层分割以及如何识别重要边缘以去除虚假边缘将变得非常重要。
根据灰度变化的特点，常见的边缘可分为台阶型、屋顶型和凸缘型。
边缘检测的方法有很多，主要有以下几种：
1)空间微分算子，这是传统的边缘检测方法。如Roberts算子、Prewitt算子、Sobel算子等。
2)拟合曲面。这种方法使用当前像素邻域中的一些像素值来拟合一个曲面，然后在当前像素处找到这个连续曲面的梯度。
3)小波多尺度边缘检测。
4)基于数学形态学的边缘检测。
最后，通过图像的轮廓(边界)跟踪来确定目标区域：
图像的轮廓(边界)跟踪与边缘检测密切相关，因为轮廓跟踪本质上是围绕图像的外边缘“行走”，然后分割目标区域。
下图显示了分别使用Roberts、Sobel、Prewitt、LOG和Canny算子进行灰度Lena图像分割的结果：
2、阈值分割方法阈值分割是直接分割图像的常用算法，它取决于图像像素的灰度值。对应于单个目标图像，可以将图像分为目标和背景两类，称为单阈值分割。如果目标图像比较复杂，只有选择多个阈值，才能将图像中的目标区域和背景分成多个，这就是所谓的多阈值分割。此时，需要区分检测结果中的图像目标，并通过唯一标识来区分每个图像目标区域。阈值分割的明显优点是成本低，实现简单。当目标和背景区域的像素灰度值或其他特征存在明显差异时，该算法可以非常有效地分割图像。阈值分割方法的关键是如何选取合适的阈值。近年来的方法有：用最大相关原理选取阈值的方法、基于图像拓扑稳定状态的方法、灰度共生矩阵法、最大熵法和峰谷值分析法等。在更多的情况下，会综合使用两种或两种以上的方法来选取阈值，这也是图像分割发展的一个趋势。
阈值分割计算是基于一定的图像模型，取阈值后得到的图像可以分割出各个区域。最常用的图像模型是假设图形由具有单峰灰度分布的对象和背景组成。
分类：单阈值分割和多阈值分割。
仅使用一个阈值的方法称为单阈值分割方法。
如果图像中有许多具有不同灰度值的区域，那么可以选择一系列阈值来将每个像素分类到适当的类别中。这种多阈值分割的方法称为多阈值分割法。
单阈值灰度直方图
多阈值灰度直方图
阈值选择基础：
1)仅取决于图像灰度值，选择全局阈值——作为与每个图像像素的性质相关的阈值。
2)根据图像的灰度值和该点邻域的一些局部特征，即与局部区域特征相关的阈值，选择——局部阈值。
3)不仅取决于图像的灰度值和点的邻域的一些局部特征，还取决于空间坐标，即得到的阈值与坐标——动态阈值或自适应阈值有关。
全局阈值原理：假设物体和背景处于不同的灰度级，图像被零均值高斯噪声污染，图像的灰度分布曲线用两个正态分布概率密度函数分别近似表示目标和背景的直方图。用这两个函数的复合曲线来拟合整幅图像的直方图，图像的直方图中会出现两个分离的峰值，如下图所示。然后，根据最小误差理论，对直方图两个峰值之间的谷值对应的灰度值，获得分割阈值。
双峰直方图
这种方法适用于双峰性质较好的图像，但需要数值逼近等计算，算法非常复杂，而且大部分图像的直方图是离散的、不规则的。
在实际的阈值分割过程中，往往需要自动获取阈值。下面的算法可以自动获得全局阈值：
1)选择初始估计值t；
2)用t分割图像，这样就产生了两组像素集合：G1由灰度值大于t的所有像素组成，而G2由灰度值小于等于t的所有像素组成.
3)计算G1和G2的所有像素的平均灰度值u1和u2。
4)计算一个新的阈值：T=1/2(u1 u2)。
重复步骤(2)至(4 ),直到所获得的t值之间的差小于预定参数t
下图是迭代阈值选取法和大津法(即最大相关原理选取阈值的方法)的图像分割结果对比。
这两种方法差别不大。
3、区域分割方法区域生长法和分裂合并法是基于区域信息的图像分割的主要方法。区域增长有两种方式。一种是将图像分割成许多一致性强的小区域，然后按照一定的规则将小区域合并成大区域，达到图像分割的目的。另一种实现是给定图像中目标的一个种子区域，然后在种子区域的基础上按照一定的规则将周围的像素加入其中，从而最终达到目标与背景分离的目的；分裂合并法的图像分割是按照区域生长法反方向进行的，不需要设置种子点。其基本思想是给出相似性度量和同质性度量。从整幅图像出发，如果区域不满足同质性度量，就分割成任意大小的不重叠子区域，如果两个邻域的子区域满足相似性度量，就进行合并。
区域生长是最基本的区域分割方法。所谓的区域增长是根据预定义的标准将像素或子区域聚集成更大区域的过程。
基本理念：
从一组生长点(可以是单个像素，也可以是一个小区域)开始，搜索它的邻域，把图像分成几个特征相似的区域，比较相邻区域和生长点的相似性，如果足够相似，就合并为同一个区域，形成新的生长点。这样，具有相似特征的区域被合并，直到无法合并，最终形成具有不同特征的区域。这种分割方法也叫区域扩展法。
在实际应用中，要解决三个问题：
1)确定区域数量，即选择一组能正确代表t的生长点像素
特征相似性是构造和合并区域的基本准则，邻接是指采取的邻域模式。根据不同的邻域方法和相似性准则，产生了不同的区域生长方法。
以与灰度相关的值作为区域生长的判据，区域生长可分为三种类型：单一型(像素对像素)、质心型(像素对区域)和混合型(区域对区域)。
单一区域生长法的原理：
以图像的一个像素为生长点，将特征相似的相邻像素合并到同一区域；然后以合并后的像素为生长点，重复上述操作，最终形成具有相似特征的像素的最大连通集。
接下来，给出了生长由像素灰度级表征的简单区域的步骤。
(1)光栅扫描图像，找出尚未归属的像素。当找不到这样的像素时，操作结束。
(2)将该像素与其周围不属于任何区域像素(4-邻域或8-邻域)的灰度进行比较，如果灰度差小于某一阈值，则将它们合并到同一区域，并对合并后的像素进行标记。
(3)从新合并的像素开始重复(2)的操作，直到这些区域不再能够被合并。
(4)返回操作(1)寻找可以作为新区域起点的像素。
优点和缺点：
这种方法很简单，但是如果区域之间的边缘灰度变化平缓或者边缘相交于一点，这两个区域就会合并。
解决方法：
为了消除这种情况，在步骤(2)中，不是比较相邻像素的灰度级，而是比较现有区域中像素的平均灰度级和与该区域相邻的像素的灰度级。
下图是使用三个生长点的区域生长法和使用其他三个不同生长点的区域生长法的图像分割结果的比较。
第一个子图像的生长点是横坐标[30，40，82]和纵坐标[56，30，35]。
第二张图的生长点是横坐标[63，10，85]和纵坐标[30，56，60]。
在第一个图像中，生长点由绿色正方形表示。
从比较中可以看出，区域生长法的缺点是分割结果依赖于生长点的选择。
4、基于图论的分割方法该方法将图像分割问题与图的最小割问题联系起来。首先将图像映射成一个加权无向图G=《V，E》，其中每个节点NV对应图像中的每个像素，每个边E连接一对相邻像素，边的权重表示相邻像素在灰度、颜色或纹理上的非负相似性。图像的一个分割S是图的一个裁剪，每个分割区域CS对应于图中的一个子图。分割的最优原则是保持被分割子图之间的相似度最大，子图之间的相似度最小。基于图论的分割方法的本质是去除特定的边，将图分成若干个子图来实现分割。目前基于图论的方法有GraphCut、GrabCut和RandomWalk。
5、基于能量泛函的分割方法这类方法主要是指activecontourmodel以及在其上开发的算法。其基本思想是用连续曲线表示目标边缘，并定义一个能量泛函使其自变量包含边缘曲线，这样分割过程就转化为求解能量泛函最小值的过程，一般可以通过求解欧拉来实现。拉格朗日方程对应的函数，能量达到最大。根据模型中曲线表达的不同，活动轮廓模型可以分为两类：参数化活动轮廓模型和几何活动轮廓模型。
参数化活动轮廓模型基于拉格朗日框架，直接以参数化形式表达曲线。最具代表性的模型是Kasseta1(1987)提出的Snake模型。这类模型已成功应用于早期生物图像分割领域，但存在一些缺点，如分割结果受初始轮廓设置影响较大，难以处理曲线拓扑结构的变化等。另外，它的能量泛函只取决于曲线参数的选取，与物体的几何形状无关，这也限制了它的进一步应用。
几何活动轮廓模型的曲线运动过程是基于曲线的几何测量参数而不是曲线的表达参数，因此可以更好地处理拓扑结构的变化，解决参数化活动轮廓模型难以解决的问题。水平集方法(Osher，1988)的引入极大地促进了几何活动轮廓模型的发展，因此几何活动轮廓模型也可以统称为水平集方法。
6、基于聚类的分割方法聚类分析是多元统计分析的方法之一，也是无监督模式识别的一个重要分支。根据数据集的内部结构，将其分为不同的类别，使同一类别的样本特征尽可能相似，而属于不同类别的样本点差异尽可能大。聚类分析技术大致可以分为硬聚类、模糊聚类和可能性聚类方法。
在硬聚类方法中，属于不同类别的样本点的隶属函数为0或1，即每个样本只能属于一个特定的类别。传统的硬聚类方法有k-means聚类和ISODATA。模糊聚类方法是一种基于目标函数迭代优化的无监督聚类方法。样本点的隶属函数值为区间[0，1]，每个样本点对所有类的隶属度之和为1，意味着样本点对每个聚类都有隶属关系，允许样本点以不同的模糊隶属函数同时属于所有的聚类。模糊聚类方法的软分割真实地反映了图像的模糊性和不确定性，因此其性能优于传统的硬分割方法。目前，模糊聚类方法已经广泛应用于图像处理，尤其是医学图像处理，其中模糊C均值聚类方法(FCM)是最常用的。可能性聚类的样本点隶属函数也取区间[0，1]的值，但不要求隶属度之和为1。可能性聚类不仅考虑了样本与聚类中心的隶属关系，还考虑了样本典型性对分类结果的影响。传统的聚类算法没有考虑图像的空间信息，因此对噪声和灰度分布不均匀非常敏感。为了提高模糊聚类算法在图像分割中的效果，国内外学者提出了许多改进方法，其中结合空间信息是最常用的方法。
标签：图像方法区域