# 图像分割

图像分割就是预测图像中每一个像素所属的类别或者物体。图像分割有两个子问题，一个是只预测类别层面的分割，对每个像素标出一个位置。第二个是区分不同物体的个体。应用场景，比如自动驾驶，3D 地图重建，美化图片，人脸建模等等。 传统的图像分割通常和图像分类结合，它是图像识别的第一阶段。

图像分割难点：

• 噪声影响
• 无法控制环境
• 没有一致的标准
• 没有足够的检测数据
• 存在病态问题

当图像背景中存在与前景目标相 同或相似区域时，没有用户的交互，自动分割出感兴趣的前景目标这个问题本身就是病态的。 图像分割可以分为两类：

• 完全分割
  • 每部分都和一个实物相关
  • 没有重叠的区域
• 部分分割
  • 拥有均匀亮度、颜色等的区域
  • 重叠的部分，需要进一步处理

分割方法

基于阈值的分割

阈值分割是基于直方图的，对图像进行灰度阈值化是最简单的分割处理。图像阈值化算法简单高效，在很多场景中依然得到很多应用，实时性很好。图像阈值化的缺陷也是明显的，不能够很好的利用图像中的诸如色彩、纹理等语义信息，因此在复杂场景中无法得到目标结果。

阈值

图像阈值化分为全局阈值和局部阈值及动态阈值。全局阈值是对整幅图像使用单个阈值，局部阈值是根据图像局部信息在局部执行阈值化。阈值化操作有许多改进算法，例如：局部阈值化、带阈值化、半阈值化、多阈值化等。阈值化的关键在于如何选择阈值。

阈值分割的优点是计算简单、运算效率较高、速度快。全局阈值对于灰度相差很大的不同目标和背景能进行有效的分割。当图像的灰度差异不明显或不同目标的灰度值范围有重叠时，应采用局部阈值或动态阈值分割法。另一方面，这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。在实际应用中，阈值法通常与其他方法结合使用。

全局阈值

全局阈值法采用同一个灰度值作为分割门限对整幅图进行处理，特别对直方图分布呈双峰态的图像分割效果好，如：

但在有意义的全局阈值不存在的情况下，全局阈值的分割效果很差，如：

迭代阈值图像分割

迭代阈值的步骤为：

1. 统计图像灰度直方图,求出图象的最大灰度值和最小灰度值，分别记为\(Z_{max}\)和\(Z_{min}，令初始阈值\)T_{0} = {2}$。
2. 根据阈值TK将图象分割为前景和背景，计算小于TO所有灰度的均值ZO，和大于TO的所有灰度的均值ZB。
3. 求出新阈值TK+1=(ZO+ZB)/2；
4. 若TK==TK+1，则所得即为阈值；否则转2，迭代计算。

动态阈值

边缘检测

通过不同的特征检测物体边缘

基于空间的分割

寻找满足homogeneity criterion 条件的最大空间。

结合边缘检测及空间分割