直观:数字图像处理中常用的图像分割算法有哪些？

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完全不同并且与背景完全不同，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的标准来将图像划分为相似的区域，例如阈值处理，区域增长，区域划分和区域聚集都基于此方法形成。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变像素的集合，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。 Otsu（最大类间方差算法）算法是单阈值处理中最常用的算法，并且分割效果也很好。多阈值处理：K个类由K-1个阈值分隔开，即，计算图像的多个类之间的方差。尽管多阈值处理的分割结果要好于单个阈值的分割结果，但随着分类数量的增加，分割结果会增加。它会开始失去其意义，因为我们只处理一个变量（灰度），可以通过添加变量（例如颜色）来解决该问题。

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，然后将具有与预先定义的属性相似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：分水岭的概念基于图像的三维可视化。在图中，我们主要考虑三种类型的点：（1）属于一个区域的最小点；（2）将一个点视为水滴，如果将这些点放置在任何位置，则水滴到一个最小点；（3）该点处的水同样有可能流向多个这样的最小点。对于特定的区域最小值，满足条件的点（2）该集合称为集水盆地满足条件（3）的点形成了地面的峰值线，称为分界线或分水岭。为了获得更好的分割效果，通常使用分水岭算法Apply渐变图像，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/shumachanpin/article-346484-1.html