数字图像处理中常用的图像分割算法是什么？

大多数图像分割算法都是基于灰度值的不连续和相似性质. 在前一种算法中，该算法基于灰度突变（例如图像边缘分割）对图像进行分割. 假定图像的不同区域的边界彼此之间以及与背景完全不同，从而允许基于灰度的局部不连续进行边界检测. 后者基于一组预定义标准，以将图像划分为相似区域，例如阈值处理，区域增长，区域划分和区域聚合均基于此方法. 每种类型的算法都将在下面详细说明.

图像边缘分割: 边缘是图像中灰度突然变化的像素的集合，通常通过区分来检测. 基本的边缘检测算法是: Roberts运算符，Prewitt运算符，Sobel运算符. 更高级的算法是: Marr-Hilderth边缘检测器，Canny边缘检测器.

图像阈值分割: 由于阈值处理直观，易于实现且计算速度快，因此阈值处理是分割应用程序的核心. 阈值处理可以分为单阈值处理和多阈值处理. 在单阈值处理中且具有良好分割效果的最常用算法是Otsu（最大类间方差算法）算法. 多阈值处理: K个类由K-1个阈值分隔，即，计算图像的多个类之间的方差. 多阈值处理的分割结果比单阈值的分割结果要好，但是当分类数量开始失去意义时，分割结果会增加，因为我们只处理一个变量（灰度），可以通过添加诸如颜色.

基于区域的分割: 区域增长算法以及区域分割和聚合都是基于区域的分割算法. 区域增长算法是根据预定义的增长标准将像素或子区域组合为更大区域的过程. 基本方法是从一组“”点开始，然后将与具有相似特性的那些相邻像素添加到每个中，以形成这些生长区域（例如特定范围的灰度或颜色）. 区域分割和聚集是首先将图像细分为一组任意不相交的区域，然后根据某些规则聚集并分割这些区域.

形态学分水岭算法: 分水岭的概念基于三维图像的可视化. 在图中区域增长 图像分割，我们主要考虑三种类型的点: （1）属于面积最小值的点； （2）该点被视为水滴. 如果将这些点放置在任何位置，水滴将下降到一个最小点. （3）此时的水将很可能流到一个以上的最低点. 对于特定的区域最小值，满足条件（2）的点集称为最小集水盆地或分水岭. 满足条件（3）的点在地面上形成一条峰值线，称为分界线或分水岭. 为了获得更好的分割效果区域增长 图像分割，通常将分水岭算法应用于梯度图像，而不是图像本身.

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-231912-1.html