茶年 · 中文维基百科

图像分割

Wikipedia · 2025-07-04 维基百科 👁 1 阅读

在计算机视觉领域，图像分割（segmentation）指的是将数字图像细分为多个图像子区域（像素的集合）（也被称作超像素）的过程。图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。图像分割通常用于定位图像中的物体和边界（线，曲线等）。更精确的，图像分割是对图像中的每个像素加标签的一个过程，这一过程使得具有相同标签的像素具有某种共同视觉特性。

图像分割的结果是图像上子区域的集合（这些子区域的全体覆盖了整个图像），或是从图像中提取的轮廓线的集合（例如边缘检测）。一个子区域中的每个像素在某种特性的度量下或是由计算得出的特性都是相似的，例如颜色、亮度、纹理。邻接区域在某种特性的度量下有很大的不同。

图像分割的应用
图像分割在实际中的应用包括：

  • 医学影像，包括:

** 肿瘤和其他病理的定位
** 组织体积的测量
** 计算机引导的手术
** 诊断
** 治疗方案的定制
** 解剖学结构的研究

  • 在卫星图像中定位物体（道路、森林等）
  • 人脸识别
  • 指纹识别
  • 交通控制系统
  • Brake light detection
  • 机器视觉

现已有许多各种用途的图像分割算法。对于图像分割问题没有统一的解决方法，这一技术通常要与相关领域的知识结合起来，这样才能更有效的解决该领域中的图像分割问题。

二值化
二值化（）是最简单的图像分割方法，会根据特定的限幅值（）将灰度图转换为黑白图，该值也称阈值（）。

该方法的关键在于如何选取阈值。工业上所采用的方法有很多，如大津算法和K-平均算法。

基於像素強度，此方法將圖像劃分為兩部分，即像素值低於閾值和像素值高於閾值。在許多應用中，彩色圖像分割需要多階段閾值法。為了分割紅、綠和藍色分量，可能需要多個最佳閾值。未來可能需要更多的閾值，但更多的閾值會降低分割過程的性能。多級閾值分割的主要缺點是執行時間過長、Metaheuristic算法、Firefly算法和新型基於群體的Bee Foraging算法也被用於優化閾值。，示範了小波變換用來處理圖像分割的流程，整個演算法的流程如下：

  • 令原影像的大小為NxN，對影像中每4x4的區域做使用哈爾變換的離散小波轉換，以抽取出影像的特徵。
  • 計算抽取出的特徵的energy以及contrast，作為新的特徵，計算公式如下:

** Energy=\sum_{i,j=1}^N C_{i,j}^2
** Contrast=\sum_{i,j=1}^N (i-j)^2C_{i,j}

  • 對上一步所算出的特徵矩陣，計算縱軸和橫軸像素兩兩之間的差，藉此找出影像中的物體邊界，作為初步的分割結果。
  • 在初步的分割結果會有瑕疵和雜點，這是因為上一步相減兩兩像素的結果。為了讓結果更平滑，就使用circular averaging filter來過濾分割的結果。
  • 將輸出取閾值，變成能夠代表物體邊界的黑白影像，像素值為一的部份即代表物體邊界。
  • 將黑白的分隔影像骨架化(skeletonize)，讓輸出能以白色細線來表示要分割的物體邊界，完成影像分割。

请参阅

  • 计算机视觉
  • 数据聚类
  • 图论
  • 直方图
  • 基于图像的网格
  • K-均值算法
  • Pulse-coupled networks
  • Range image segmentation
  • 区域生长
  • 大津算法
  • GrabCut

参考文献
外部链接

#图像分割

评论 (0)

  • 还没有评论，来抢沙发吧。