目錄
- 意義
- 圖像分割方法
- 評價方法：最終測量精度UMA
一、意義
概念:
- 把圖像分解成構成它的部件和對象的過程
- 定位感興趣對象在圖像中的位置和范圍
意義：圖像分割是圖像處理與理解、模式識別和人工智能等多個領域中一個十分重要且又十分困難的問題，是計算機視覺技術中關鍵步驟，如下圖所示。圖像分割應用在許多方面。應用：汽車車型自動識別系統、檢查癌細胞、精密零件表面缺陷檢測，處理衛星拍攝的地形地貌照片等。在所有這些應用領域中，最終結果很大程度上依賴於圖像分割的結果。
圖像分割的數學定義：
令集合I代表整個圖像區域，H表示具有相同性質的謂詞，Ri表示I分解的n個區域，i=1,2…n，則圖像分割區域滿足下列條件：
對應文字說明：
1) 表明分割區域要覆蓋整個圖像且各區域互不重疊；
2) 表明每一個區域都具有相同的性質；
3) 表明兩個區域性質相異不能合並為一個區域。
總之：圖像分割的任務是把圖像分離成互不交疊的有相同性質的區域。
二、圖像分割方法
2.1 基於邊緣的分割方法
先提取區域邊界，再確定邊界限定的區域；涉及到邊緣檢測核邊緣連接兩個部分。基本思想：先檢測圖像中的邊緣點再按一定策略鏈接成輪廓，從而構成分割區域。
2.1.1 邊緣檢測
邊緣檢測的意義：邊界存在於目標與背景、目標與目標、區域與區域之間，是圖像最基本的特征，包含了在實際應用中用於分割的基本信息。人物體時，首先感覺到的便是邊緣。
邊緣檢測的對象：檢測灰度級或者結構具有突變的地方，這種灰度或者結構不連續性稱為邊緣。
邊緣檢測處理方法：圖像中相鄰的不同區域間總存在邊緣，邊緣處像素的灰度值不連續，這種不連續性可通過求導數來檢測到，因此常用灰度的一階或二階微分算子進行邊緣檢測。直觀理解如下圖所示，一階導數的峰值，二階導數的零點值。
2.1.2 邊緣連接
意義：利用前述的方法可以檢測出邊緣點，但由於噪音等原因，邊界的特征很少能夠被完整地描述，獲得邊緣點有可能是不連續的，在亮度不一致的地方會中斷。因此典型的邊界檢測算法后面總要跟隨着連接過程和其它邊界檢測過程，用來歸整邊界像素，將邊緣像素組合成有意義的邊緣信息。本文介紹局部處理法進行。另外還有Hough變換，暫時不介紹
局部處理法：比較梯度算子的響應強度和梯度方向確定兩個點是否同屬一條邊，分析圖像中每個點（x,y）的一個領域，根據梯度確定邊緣像素的相似性。
強度：對於點(x',y')，判斷其是否與鄰域內的邊界點(x,y)相似，其中T是一個非負的閾值。
方向：對於點(x',y')，判斷其是否與鄰域內的邊界點(x,y)的方向角相似，其中A是一個角度閾值
如果強度和方向准則得到滿足，則 (x,y)鄰域中的點就與位於(x,y)的像素連接起來。
邊緣檢測缺陷：需要指出的是，邊緣並不等同於實際目標的邊界。
1、圖像數據是二、三維的，而實際物體是N維的，從高維到低維的投影必然會造成信息的丟失；
2、成像過程中的光照不均和噪聲等因素的影響，使得有邊界的地方不一定能檢測出邊緣，檢測出有邊緣的地方也不一定代表實際邊界。
基於邊緣檢測的圖像分割方法雖然簡單，理論和方法仍存在有待解決的地方。
2.2 基於區域的分割方法
確定每個像素的歸屬區域，從而完成分割；閾值分割法（本文介紹）、區域生長法和分裂合並法等。
閾值分割法
基本原理：通過設定不同的特征閾值，把圖像像素點分為若干類
- 確定一個灰度閾值
- 將灰度值大於給定閾值的像元判歸為某一個物體，賦予同一個編號
- 將灰度值小於給定閾值的像元統一判歸為另一類物體，賦於另外一個編號。
適用：要分割的物體與圖像的背景有較強對比度的圖像。被分割的物體內部灰度值比較均一且它周圍的背景灰度值也比較均一，該法效果比較理想。
關鍵：如何找到合適的閾值。
簡單直方圖分割法：60年代中期，Prewitt提出了直方圖雙峰法，即如果灰度級直方圖呈明顯的雙峰狀，則選取兩峰之間的谷底所對應的灰度級作為閾值。
直方圖閾值分割法可用數學表達式來描述。設圖像f(i, j)，其灰度級范圍為[z1, z2]，設T為閾值，是z1和z2內任一值，可得一幅二值圖像，其數學表達式為:
迭代式閾值選擇
基本思想：初始時選擇一個閾值作為初始估計值，然后按照某種策略不斷地改進這一估計值，直到滿足給定的准則為止。
算法實例：
1）選擇圖像灰度的中值作為初始閾值T0
2）利用閾值T把圖像分割成兩個區域R1和R2，分別計算R1和R2的灰度均值
3）計算出新的閾值Ti+1：
4）重復步驟2~3，直到Ti+1和Ti的差小於某個給定值。
三、評價方法：最終測量精度UMA
分割的目的是將感興趣的目標分離出來，因此，通過對原始目標特征值和分割出的目標特征值進行精確測量，根據結果來評價分割方法的優劣是常用的方法。
Rf代表從作為參考圖像中獲得的原始特征值；Sf代表從分割圖像中獲得的實際特征量值，例如：重心、面積、長短軸之比等。