分割算法区域增长

❶ 区域生长的区域生长

它是一个迭代的过程，这里每个种子像素点都迭代生长，直到处理过每个像素，因此形成了不同的区域，这些区域它们的边界通过闭合的多边形定义。
在区域生长中的主要问题如下：
（1）表示区域的初始化种子的选择：在区域生长过程中，这些不同区域点合适属性的选择。
（2）基于图像具体属性的像素生长不一定是好的分割。在区域生长过程中，不应该使用连通性或邻接信息。
（3）相似性：相似性表示在灰度级中观察在两个空间邻接像素之间或像素集合的平均灰度级间的最小差分，它们将产生不同的区域。如果这个差分比相似度阈值小，则像素属于相同的区域。
（4）区域面积：最小面积阈值与像素中的最小区域大小有关。在分割的图像中，没有区域比这个阈值小，它由用户定义。
区域生长的后处理（region growing post-processing）：由于非优化参数的设置，区域生长经常会导致欠生长或过生长。人们已经开发了各种各样的后处理。从区域生长和基于边缘的分割中，后处理能获得联合分割的信息。更加简单的后处理是根据一般启发法，并且根据最初应用的均匀性标准，减少分割图像中无法与任何邻接区域合并的最小区域的数量。
区域连接图
在场景中区域间的邻接关系可以由区域邻接图（region adjacency graph, RAG）表示。在场景中的区域由在RAG的节点集合表示 N = {N1, N2, ... , Nm}，这里，节点Ni表示在场景中的区域Ri ，并且区域Ri的属性存储在节点的数据结构Ni中。在Ni和Nj之间的边缘Eij表示在区域Ri和Rj之间的连接。如果在区域Ri里存放一个像素与在区域Rj彼此相邻，那么两个区域Ri和Rj是相邻的。邻接可能是4连通或8连通的。邻接关系是自反（reflexive）和对称（symmetric）的，但不一定是可传递（transitive）的。下图显示具有6个截然不同区域的场景邻接图。
当它表示区域邻接图（RAG）是，二进制矩阵A成为邻接矩阵（adjacency matrix）。在RAG里，当节点Ni和Nj邻接，在A中，aij是1。因为邻接关系是自反的，矩阵的对角元素都是1。在上图的多区域场景邻接矩阵（关系）如下所示。
区域合并和分裂
由于在场景中分割单一大区域，分割算法可能产生许多个小区域。在这种情况下，较小的区域需要根据相似性合并，并且使较小的区域更紧密。简单的区域合并算法如下所述。
步骤1：使用阈值集合将图像分割为R1，R2，R，…，Rm。
步骤2：从图像的分割描述中生成区域邻接图（region adjacency graphics，RAG）。
步骤3：对于每个Rj，i = 1，2，…，m，从RAG中确定所有Rj，j≠i，如Ri和Rj邻接。
步骤4：对于所有i和j，计算在Ri和Rj之间合适的相似性度量Sij。
步骤5：如果Sij>T,那么合并Ri和Rj
步骤6：根据相似性标准，重复步骤3~步骤5，直到没有合并的区域为止。
合并的另一个策略是根据两个区域之间的边缘强度。在这个方法中，在邻接区域之间的合并是根据两个区域间沿标定边界长度的边缘强度。如果边缘强度小，即边缘点较弱（weak），如果合并没有大量改变平均像素强度值，那么可以合并两个区域。
还有这种情况：由于错误的预处理分割，产生了太小的区域。这归结于不同区域错误合并成一个区域。在这种情况下，在分割区域中灰度值的变化可能高于阈值（T），因此，需要将区域分裂成更小的区域，这样每个更小的区域都有均匀小方差。
分裂和合并可能结合在一起用于复杂场景的分割，基于规则可以指导分裂和合并运算的应用。

❷ 医学图像处理

图像分割是前期的工作重点，主要使用了现成的软件来完成图像分割任务：3DMed（中国科学院自动化医学图像处理研究所）。

该软件集成了6种分割算法插件，按照官方文档的说法，区域生长算法特别适合于分割小的结构如肿瘤和伤疤，下面是使用3DMed加载的原始29189000016.dcm图像：

下面是使用区域生长算法对肿瘤的分割结果：

其中Different Value和Change Value为控制区域增长的两个参数，通过实验发现选取2和10效果较好。

下面是分割后的保存结果：

3DMed中会自动将结果文件名保存为29189000016_segmented.dcm。

但是该算法需要人工交互获得种子节点，自动化程度不高。同时区域增长算法对噪声敏感，导致抽取出的区域有空洞或者无法正确抽取出感兴趣区域。

特征提取就是从分割的区域中提取出描述该区域特征的一些数据，这一步的工作使用了两种方法进行探索。

使用MATLAB进行常用的基本统计特征的提取，该方法可以提取出 一阶统计特征 （描述感兴趣区域内各提速参数的分布，通常是基于直方图进行分析），在MATLAB中简单的区域描绘如下：

l 周长：区域边界的长度， 即位于区域边界上的像素数目．

l 面积：， 区域中的像素总数．

l 致密性：（周长） 2/面积．

l 区域的质心．

l 灰度均值： 区域中所有像素的平均值．

l 灰度中值： 区域中所有像素的排序中值．

l 包含区域的最小矩形．

l 最小或最大灰度级．

l 大于或小于均值的像素数．

l 欧拉数： 区域中的对象数减去这些对象的孔洞数。

MATLAB中的regionprops(L, properties)函数可以用来计算区域描绘特征：首先使用bwlabel(I, n)对图像I进行n（4或者8）连通标号，然后使用regionprops()进行统计计算。

Mazda是一个图像纹理分析的工具，可以自动对图像进行特征提取。下面是使用Mazda加载分割好的结果：

下面是对分割结果进行特征提取的结果：

对于Feature name的表示现在还没有完全搞明白，正在研究。

Mazda还可以进行 高阶统计量 的提取（就是进一步加入了过滤器），小波分析就是高阶统计量的一种，下面是小波分析的结果：

同时可以手动对Features进行feature selection，然后保存选择的结果。

❸ 图像分割技术论文

图像分割是图像处理与计算机视觉的基本问题之一，是图像处理图像分析的关键步骤。我整理了图像分割技术论文，欢迎阅读!

图像分割技术论文篇一

图像分割技术研究

摘要：图像分割是图像处理与计算机视觉的基本问题之一，是图像处理图像分析的关键步骤。本文介绍了基于阈值的分割方法和图像分割的图像分割性能的评价、应用现状;最后总结出图像分割的发展趋势。

关键词：图像分割、阈值、边缘检测、区域分割

中图分类号： TN957.52 文献标识码： A

1引言

随着图像分割技术研究的深入，其应用日趋广泛。凡属需要对图像目标进行提取、测量的工作都离不开图像分割。图像分割是图像处理、模式识别和人工智能等多个领域中一个十分重要且又十分困难的问题，是计算机视觉技术中首要的、重要的关键步骤。图像分割结果的好坏直接影响对计算机视觉中的图像理解。现有的方法多是为特定应用设计的，有很大的针对性和局限性，到目前为止还不存在一个通用的方法，也不存在一个判断分割是否成功的客观标准。因此，对图像分割的研究目前还缺乏一个统一的理论体系，使得图像分割的研究仍然是一个极富有挑战性的课题。

2图像分割方法

图像分割(Image Segmentation)，简单地说就是将一幅数字图像分割成不同的区域，在同一区域内具有在一定的准则下可认为是相同的性质，如灰度、颜色、纹理等。而任何相邻区域之间其性质具有明显的区别。

2.1基于灰度特征的阈值分割方法

阈值分割技术是经典的、流行的图象分割方法之一，它是用一个或几个阈值将图像的灰度级分为几个部分，认为属于同一个部分的像素是同一个物体。

这类方法主要包括以下几种：

(1)单阈值法，用一个全局阈值区分背景和目标。当一幅图像的直方图具有明显的双峰时，选择两峰之间的谷底作为阈值。

(2)双阈值法，用两个阈值区分背景和目标。通过设置两个阈值，以防单阈值设置阈值过高或过低，把目标像素误归为背景像素，或把背景像素误归为目标像素。

(3)多阈值法，当存在照明不均，突发噪声等因素或背景灰度变化较大时，整幅图像不存在合适的单一阈值，单一阈值不能兼顾图像不同区域的具体情况，这时可将图像分块处理，对每一块设一个阈值。

2.2 边缘检测分割法

基于边缘检测技术可以按照处理的顺序分为并行边缘检测和串行边缘检测两大类。常见的边缘检测方法有：差分法、模板匹配法及统计方法等。由于边缘灰度变化规律一般体现为阶梯状或者脉冲状。边缘与差分值的关系可以归纳为两种情况，其一是边缘发生在差分最大值或者最小值处;其二是边缘发生在过零处。

2.3基于区域的分割方法

基于区域的分割方法利用的是图像的空间性质。该方法认为分割出来的某一区域具有相似的性质。常用的方法有区域生长法和区域分裂合并法。该类方法对含有复杂场景或自然景物等先验知识不足的图像进行分割，效果较好。

区域生长方法是把一幅图像分成许多小区域开始的，这些初始的小区域可能是小的邻域甚至是单个像素，在每个区域中，通过计算能反映一个物体内像素一致性的特征，作为区域合并的判断标准。区域合并的第一步是赋给每个区域一组参数，即特征。接下来对相邻区域的所有边界进行考查，如果给定边界两侧的特征值差异明显，那么这个边界很强，反之则弱。强边界允许继续存在，而弱边界被消除，相邻区域被合并。没有可以消除的弱边界时，区域合并过程结束，图像分割也就完成。

2.4结合特定工具的图像分割技术

20世纪80年代末以来，随着一些特殊理论的出现及其成熟，如数学形态学、分形理论、模糊数学、小波分析、模式识别、遗传算法等，大量学者致力于将新的概念、新的方法用于图像分割，有效地改善了分割效果。产生了不少新的分割算法。下面对这些算法做一些简单的概括。

2.4.1基于数学形态学的分割算法

分水岭算法是一种经典的借鉴了数学形态理论的分割方法。该方法中，将一幅图像比为一个具有不同高度值的地形，高灰度值处被认为是山脊，底灰度值处被认为是山谷，将一滴水从任一点流下，它会朝地势底的地方流动，最终聚于某一局部最底点，最后所有的水滴会分聚在不同的吸引盆地，由此，相应的图像就被分割成若干部分。分水岭算法具有运算简单、性能优良，能够较好提取运动对象轮廓、准确得到运动物体边缘的优点。但分割时需要梯度信息，对噪声较敏感。

2.4.2基于模糊数学的分割算法

目前，模糊技术在图像分割中应用的一个显着特点就是它能和现有的许多图像分割方法相结合，形成一系列的集成模糊分割技术，例如模糊聚类、模糊阈值、模糊边缘检测技术等。

这类方法主要有广义模糊算子与模糊阈值法两种分割算法。

(1)广义模糊算子在广义模糊集合的范围内对图像处理，使真正的边缘处于较低灰度级，但还有一些不是边缘的像素点的灰度也在较低灰度级中，虽然算法的计算简明，且边缘细腻，但得到的边缘图会出现断线问题。

(2)模糊阈值法引入灰度图像的模糊数学描述，通过计算图像的模糊熵来选取图像的分割阈值，后用阈值法处理图像得到边界。

2.4.3基于遗传算法的分割方法

此算法是受生物进化论思想提出的一种优化问题的解决方法，它使用参数编码集而不是参数本身，通过模拟进化，以适者生存的策略搜索函数的解空间，它是在点群中而不是在单点进行寻优。遗传算法在求解过程中使用随机转换规则而不是确定性规则来工作，它唯一需要的信息是适应值，通过对群体进行简单的复制、杂交、变异作用完成搜索过程。由于此法能进行能量函数全局最小优化搜索，且可以降低搜索空间维数，降低算法对模板初始位置的敏感，计算时间也大为减少。其缺点是容易收敛于局部最优。

2.4.4基于神经网络分割算法

人工神经网络具有自组织、自学习、自适应的性能和非常强的非线性映射能力，适合解决背景知识不清楚、推理规则不明确和比较复杂的分类问题，因而也适合解决比较复杂的图像分割问题。原则上讲，大部分分割方法都可用 ANN(attificial neural network)实现。ANN 用于分割的研究起步较晚，只有多层前馈NN，多层误差反传(BP)NN，自组织NN，Hopfield NN以及满足约束的NN(CSNN-Const raint Satisfaction Neurat Network)等得到了应用。使用一个多层前向神经网络用于图象分割，输入层神经元的数目取决于输入特征数，而输出层神经元的数目等同于分类的数目。

2.5图像分割中的其他方法

前面介绍了4大类图像分割较常用的方法，有关图像分割方法和文献很多，新方法不断产生，这些方法有的只对特定的情形有效，有的综合了几种方法，放在一起统称为第5类。

(1)标号法(labeling)是一种基于统计学的方法，这种方法将图像欲分割成的几个区域各以一个不同的标号来表示，用一定的方式对图像中的每一个像素赋以标号，标号相同的像素就合并成该标号所代表的区域。

(2)基于Snak模型的分割方法，基于Snake模型的分割是通过对能量函数的动态优化来逼近图像目标的真实轮廓的

(3)纹理分割，由于新的数学工具的引入，纹理分割技术取得了一些进展，张蓬等人将小波分析应用于纹理基元提取。

(4)基于知识的图像分割方法，直接建立在先验知识的基础上，使分割更符合实际图像的特点。该方法的难度在于知识的正确合理的表示与利用。

3图像分割性能的评价

图像分割评价主要有两个方面的内容：一是研究各分割算法在不同情况下的表现，掌握如何选择和控制其参数设置，以适应不同需要。二是分析多个分割算法在分割同一图像时的性能，比较优劣，以便在实际应用中选取合适的算法。分割评价方法分为分析法和实验法两大类。分析法是直接分析分割算法本身的原理及性能，而实验法是通过对测试图像的分割结果来评价算法的。两种方法各有优劣，由于缺乏可靠理论依据，并非所有分割算法都能够通过分析法分析其性能。每种评价方法都是出于某种考虑而提出来的，不同的评价方法只能反映分割算法性能的某一性能。另一方面，每一种分割算法的性能是由多种因素决定的，因此，有可能需要多种准则来综合评价。

4图像分割技术的发展趋势

随着神经网络、遗传算法、统计学理论、小波理论以及分形理论等在图像分割中的广泛应用，图像分割技术呈现出以下的发展趋势：(1)多种特征的融合。(2)多种分割方法的结合。(3)新理论与新方法。

参考文献

[1] [美]RC冈萨雷斯.数字图像处理(第二版)[M].阮秋琦，等译.北京：电子工业出版社，2003

[2] 章毓晋.图像分割[M].北京：科学出版社，2001.

[3] 李弼程，彭天强，彭波等.智能图像处理技术[M].北京：电子工业出版社，2004.

[4] 杨晖，曲秀杰.图像分割方法综述[J].电脑开发与应用。2005，18(3)：21-23.

点击下页还有更多>>>图像分割技术论文

❹ 传统的图像分割方法有哪些

1.基于阈值的分割方法

灰度阈值分割法是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类。阈值分割方法实际上是输入图像f到输出图像g的变化
其中，T为阈值；对于物体的图像元素，g(i,j)=1，对于背景的图像元素，g(i,j)=0。

由此可见，阈值分割算法的关键是确定阈值，如果能确定一个适合的阈值就可准确地将图像分割开来。阈值确定后，阈值与像素点的灰度值比较和像素分割可对各像素并行地进行，分割的结果直接给出图像区域。

阈值分割的优点是计算简单、运算效率较高、速度快。在重视运算效率的应用场合（如用于软件实现），它得到了广泛应用。

2.基于区域的分割方法

区域生长和分裂合并法是两种典型的串行区域技术，其分割过程后续步骤的处理要根据前面步骤的结果进行判断而确定。

(1)区域生长

区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来。这样一个区域就长成了。

(2)区域分裂合并

区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标提取。分裂合并差不多是区域生长的逆过程：从整个图像出发，不断分裂得到各个子区域，然后再把前景区域合并，实现目标提取。分裂合并的假设是对于一幅图像，前景区域是由一些相互连通的像素组成的，因此，如果把一幅图像分裂到像素级，那么就可以判定该像素是否为前景像素。当所有像素点或者子区域完成判断以后，把前景区域或者像素合并就可得到前景目标。

3.基于边缘的分割方法

基于边缘的分割方法是指通过边缘检测，即检测灰度级或者结构具有突变的地方，确定一个区域的终结，即另一个区域开始的地方。不同的图像灰度不同，边界处一般有明显的边缘，利用此特征可以分割图像。

4.基于特定理论的分割方法

图像分割至今尚无通用的自身理论。随着各学科新理论和新方法的提出，出现了与一些特定理论、方法相结合的图像分割方法，主要有：基于聚类分析的图像分割方法、基于模糊集理论的分割方法等。

5.基于基因编码的分割方法

基于基因编码的分割方法是指把图像背景和目标像素用不同的基因编码表示，通过区域性的划分，把图像背景和目标分离出来的方法。该方法具有处理速度快的优点，但算法实现起来比较难。

6.基于小波变换的分割方法

小波变换是近年来得到广泛应用的数学工具，它在时域和频域都具有良好的局部化性质，并且小波变换具有多尺度特性，能够在不同尺度上对信号进行分析，因此在图像处理和分析等许多方面得到应用。

基于小波变换的阈值图像分割方法的基本思想是首先由二进小波变换将图像的直方图分解为不同层次的小波系数，然后依据给定的分割准则和小波系数选择阈值门限，最后利用阈值标出图像分割的区域。整个分割过程是从粗到细，由尺度变化来控制，即起始分割由粗略的L2(R)子空间上投影的直方图来实现，如果分割不理想，则利用直方图在精细的子空间上的小波系数逐步细化图像分割。分割算法的计算会与图像尺寸大小呈线性变化。

7.基于神经网络的分割方法

近年来，人工神经网络识别技术已经引起了广泛的关注，并应用于图像分割。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。神经网络存在巨量的连接，容易引入空间信息，能较好地解决图像中的噪声和不均匀问题。选择何种网络结构是这种方法要解决的主要问题。

❺ 图像分割

图像阈值化分割是一种传统的最常用的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。

图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域不具有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。

基本原理是：通过设定不同的特征阈值，把图像象素点分为若干类。
常用的特征包括：直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特征。
设原始图像为f(x，y)，按照一定的准则f(x，y)中找到特征值T，将图像分割为两个部分，分割后的图像为：
若取：b0=0(黑)，b1=1(白)，即为我们通常所说的图像二值化。

阈值分割方法实际上是输入图像f到输出图像g的如下变换：

其中，T为阈值，对于物体的图像元素g(i,j)=1，对于背景的图像元素g(i,j)=0。

由此可见，阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。阈值确定后，将阈值与像素点的灰度值逐个进行比较，而且像素分割可对各像素并行地进行，分割的结果直接给出图像区域。
阈值分割的优点是计算简单、运算效率较高、速度快。有着各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等等。

阈值处理技术参看：

区域分割是讲图像按照相似性准则分成不同的区域，主要包括区域增长，区域分裂合并和分水岭等几种类型。

区域生长是一种串行区域分割的图像分割方法。区域生长是指从某个像素出发，按照一定的准则，逐步加入邻近像素，当满足一定的条件时，区域生长终止。区域生长的好坏决定于1. 初始点（种子点）的选取。 2. 生长准则。 3. 终止条件 。区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标的提取。

区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素有相同或相似性质的像素(根据某种事先确定的生长或相似准则来判定)合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来。这样一个区域就长成了。

区域生长需要选择一组能正确代表所需区域的种子像素，确定在生长过程中的相似性准则，制定让生长停止的条件或准则。相似性准则可以是灰度级、彩色、纹理、梯度等特性。选取的种子像素可以是单个像素，也可以是包含若干个像素的小区域。大部分区域生长准则使用图像的局部性质。生长准则可根据不同原则制定，而使用不同的生长准则会影响区域生长的过程。

图1是区域增长的示例。

区域生长是一种古老的图像分割方法，最早的区域生长图像分割方法是由Levine等人提出的。该方法一般有两种方式，一种是先给定图像中要分割的目标物体内的一个小块或者说种子区域(seed point)，再在种子区域基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的；另一种是先将图像分割成很多的一致性较强，如区域内像素灰度值相同的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的，典型的区域生长法如T. C. Pong等人提出的基于小面（facet）模型的区域生长法，区域生长法固有的缺点是往往会造成过度分割，即将图像分割成过多的区域

区域生长实现的步骤如下:

区域分裂合并算法的基本思想是先确定一个分裂合并的准则，即区域特征一致性的测度，当图像中某个区域的特征不一致时就将该区域分裂成4个相等的子区域，当相邻的子区域满足一致性特征时则将它们合成一个大区域，直至所有区域不再满足分裂合并的条件为止。当分裂到不能再分的情况时，分裂结束，然后它将查找相邻区域有没有相似的特征，如果有就将相似区域进行合并，最后达到分割的作用。在一定程度上区域生长和区域分裂合并算法有异曲同工之妙，互相促进相辅相成的，区域分裂到极致就是分割成单一像素点，然后按照一定的测量准则进行合并，在一定程度上可以认为是单一像素点的区域生长方法。区域生长比区域分裂合并的方法节省了分裂的过程，而区域分裂合并的方法可以在较大的一个相似区域基础上再进行相似合并，而区域生长只能从单一像素点出发进行生长（合并）。

反复进行拆分和聚合以满足限制条件的算法。

令R表示整幅图像区域并选择一个谓词P。对R进行分割的一种方法是反复将分割得到的结果图像再次分为四个区域，直到对任何区域Ri，有P(Ri)=TRUE。这里是从整幅图像开始。如果P(R)=FALSE，就将图像分割为4个区域。对任何区域如果P的值是FALSE．就将这4个区域的每个区域再次分别分为4个区域，如此不断继续下去。这种特殊的分割技术用所谓的四叉树形式表示最为方便(就是说，每个非叶子节点正好有4个子树)，这正如图10.42中说明的树那样。注意，树的根对应于整幅图像，每个节点对应于划分的子部分。此时，只有R4进行了进一步的再细分。

如果只使用拆分，最后的分区可能会包含具有相同性质的相邻区域。这种缺陷可以通过进行拆分的同时也允许进行区域聚合来得到矫正。就是说，只有在P(Rj∪Rk)=TRUE时，两个相邻的区域Rj和Rk才能聚合。
前面的讨论可以总结为如下过程。在反复操作的每一步，我们需要做：

可以对前面讲述的基本思想进行几种变化。例如，一种可能的变化是开始时将图像拆分为一组图象块。然后对每个块进一步进行上述拆分，但聚合操作开始时受只能将4个块并为一组的限制。这4个块是四叉树表示法中节点的后代且都满足谓词P。当不能再进行此类聚合时，这个过程终止于满足步骤2的最后的区域聚合。在这种情况下，聚合的区域可能会大小不同。这种方法的主要优点是对于拆分和聚合都使用同样的四叉树，直到聚合的最后一步。

分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。

分水岭的计算过程是一个迭代标注过程。分水岭比较经典的计算方法是L. Vincent提出的。在该算法中，分水岭计算分两个步骤，一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构进行判断及标注。

分水岭变换得到的是输入图像的集水盆图像，集水盆之间的边界点，即为分水岭。显然，分水岭表示的是输入图像极大值点。因此，为得到图像的边缘信息，通常把梯度图像作为输入图像，即

分水岭算法对微弱边缘具有良好的响应，图像中的噪声、物体表面细微的灰度变化，都会产生过度分割的现象。但同时应当看出，分水岭算法对微弱边缘具有良好的响应，是得到封闭连续边缘的保证的。另外，分水岭算法所得到的封闭的集水盆，为分析图像的区域特征提供了可能。
为消除分水岭算法产生的过度分割，通常可以采用两种处理方法，一是利用先验知识去除无关边缘信息。二是修改梯度函数使得集水盆只响应想要探测的目标。

为降低分水岭算法产生的过度分割，通常要对梯度函数进行修改，一个简单的方法是对梯度图像进行阈值处理，以消除灰度的微小变化产生的过度分割。即

程序可采用方法：用阈值限制梯度图像以达到消除灰度值的微小变化产生的过度分割，获得适量的区域，再对这些区域的边缘点的灰度级进行从低到高排序，然后在从低到高实现淹没的过程，梯度图像用Sobel算子计算获得。对梯度图像进行阈值处理时，选取合适的阈值对最终分割的图像有很大影响，因此阈值的选取是图像分割效果好坏的一个关键。缺点：实际图像中可能含有微弱的边缘，灰度变化的数值差别不是特别明显，选取阈值过大可能会消去这些微弱边缘。

参考文章：

图像分割的一种重要途径是通过边缘检测，即检测灰度级或者结构具有突变的地方，表明一个区域的终结，也是另一个区域开始的地方。这种不连续性称为边缘。不同的图像灰度不同，边界处一般有明显的边缘，利用此特征可以分割图像。

图像中边缘处像素的灰度值不连续，这种不连续性可通过求导数来检测到。对于阶跃状边缘，其位置对应一阶导数的极值点，对应二阶导数的过零点(零交叉点)。因此常用微分算子进行边缘检测。常用的一阶微分算子有Roberts算子、Prewitt算子和Sobel算子，二阶微分算子有Laplace算子和Kirsh算子等。在实际中各种微分算子常用小区域模板来表示，微分运算是利用模板和图像卷积来实现。这些算子对噪声敏感，只适合于噪声较小不太复杂的图像。

由于边缘和噪声都是灰度不连续点，在频域均为高频分量，直接采用微分运算难以克服噪声的影响。因此用微分算子检测边缘前要对图像进行平滑滤波。LoG算子和Canny算子是具有平滑功能的二阶和一阶微分算子，边缘检测效果较好，

在边缘检测算法中，前三个步骤用得十分普遍。这是因为大多数场合下，仅仅需要边缘检测器指出边缘出现在图像某一像素点的附近，而没有必要指出边缘的精确位置或方向．边缘检测误差通常是指边缘误分类误差，即把假边缘判别成边缘而保留，而把真边缘判别成假边缘而去掉．边缘估计误差是用概率统计模型来描述边缘的位置和方向误差的．我们将边缘检测误差和边缘估计误差区分开，是因为它们的计算方法完全不同，其误差模型也完全不同．

Roberts算子 ：边缘定位准，但是对噪声敏感。适用于边缘明显且噪声较少的图像分割。Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子,Robert算子图像处理后结果边缘不是很平滑。经分析，由于Robert算子通常会在图像边缘附近的区域内产生较宽的响应，故采用上述算子检测的边缘图像常需做细化处理，边缘定位的精度不是很高。

Prewitt算子 ：对噪声有抑制作用，抑制噪声的原理是通过像素平均，但是像素平均相当于对图像的低通滤波，所以Prewitt算子对边缘的定位不如Roberts算子。

Sobel算子 ：Sobel算子和Prewitt算子都是加权平均，但是Sobel算子认为，邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。一般来说，距离越远，产生的影响越小。

Isotropic Sobel算子 ：加权平均算子，权值反比于邻点与中心点的距离，当沿不同方向检测边缘时梯度幅度一致，就是通常所说的各向同性。
在边沿检测中，常用的一种模板是Sobel 算子。Sobel 算子有两个，一个是检测水平边沿的；另一个是检测垂直平边沿的 。Sobel算子另一种形式是各向同性Sobel(Isotropic Sobel)算子，也有两个，一个是检测水平边沿的，另一个是检测垂直平边沿的 。各向同性Sobel算子和普通Sobel算子相比，它的位置加权系数更为准确，在检测不同方向的边沿时梯度的幅度一致。由于建筑物图像的特殊性，我们可以发现，处理该类型图像轮廓时，并不需要对梯度方向进行运算，所以程序并没有给出各向同性Sobel算子的处理方法。

1971年，R.Kirsch[34]提出了一种能检测边缘方向的Kirsch算子新方法：它使用了8个模板来确定梯度幅度值和梯度的方向。

图像中的每个点都用8个掩模进行卷积，每个掩模对某个特定边缘方向作出最大响应。所有8个方向中的最大值作为边缘幅度图像的输出。最大响应掩模的序号构成了对边缘方向的编码。
Kirsch算子的梯度幅度值用如下公式：

不同检测算子的对比：

参考文章：

文章引用于 木夜溯
编辑 Lornatang
校准 Lornatang

❻ 我所了解的图像分割

图像分割是我大二2019年做的东西，这篇文章用来总结。

分语义【像素级别图像】，实例【分割物体有进一步分类】。

基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值作比较，最后将像素根据比较结果分到合适的类别中。

确定某个准则函数来求解最佳灰度阈值。【阈值法特别适用于目标和背景占据不同灰度级范围的图。】

值得一提的是：特征点检测也有此方法

直接寻找区域。有两种基本形式：一种是区域生长，从单个像素出发，逐步合并以形成所需要的分割区域；另一种是从全局出发，逐步切割至所需的分割区域。

基于边缘检测的图像分割算法试图通过检测包含不同区域的边缘来解决分割问题。它可以说是人们最先想到也是研究最多的方法之一。通常不同区域的边界上像素的灰度值变化比较剧烈，如果将图片从空间域通过傅里叶变换到频率域，边缘就对应着高频部分，这是一种非常简单的边缘检测算法。

常规卷积

常规卷积+残差【解决梯度消失，网络变深】

Efficient Neural Network（ENet）

ResNet-38

full-resolution resial network(FRRN)

AdapNey

由目标检测发展而来（R-CNN、Fast R-CNN）

在Faster R-CNN的结构基础上加上了Mask预测分支，并且改良了ROI Pooling，提出了ROI Align。

评价函数只对目标检测的候选框进行打分，而不是分割模板

（1）ReSeg模型【FCN改进】

FCN的不足：没有考虑到局部或者全局的上下文依赖关系，而在语义分割中这种依赖关系是非常有用的。所以在ReSeg中作者使用RNN去检索上下文信息，以此作为分割的一部分依据。

卷积神经网络在进行采样的时候会丢失部分细节信息，这样的目的是得到更具特征的价值。但是这个过程是不可逆的，有的时候会导致后面进行操作的时候图像的 分辨率太低 ，出现 细节丢失 等问题。因此我们通过上采样在一定程度上可以不全一些丢失的信息，从而得到更加准确的分割边界。

卷积后进行一次上采样，得到segment map。

优点：

FCN对图像进行了像素级的分类，从而解决了 语义级别 的图像分割问题；

FCN可以 接受任意尺寸的输入图像 ，可以保留下原始输入图像中的空间信息；

缺点：

得到的结果由于上采样的原因比较模糊和平滑，对图像中的 细节不敏感 ；

对各个像素分别进行分类，没有充分考虑 像素与像素的关系，缺乏空间一致性。

恢复在深度卷积神经网络中下降的分辨率，从而获取更多的上下文信息。

DeepLab是结合了深度卷积神经网络和概率图模型的方法，应用在语义分割的任务上，目的是做逐像素分类，其先进性体现在DenseCRFs（概率图模型）和DCNN的结合。是将每个像素视为CRF节点，利用远程依赖关系并使用CRF推理直接优化DCNN的损失函数。

在图像分割领域，FCN的一个众所周知的操作就是平滑以后再填充，就是先进行卷积再进行pooling,这样在降低图像尺寸的同时增大感受野，但是在先减小图片尺寸（卷积）再增大尺寸（上采样）的过程中一定有一些信息损失掉了，所以这里就有可以提高的空间。

DeepLab提出空洞卷积解决这一问题

（1）常规图像分割

交叉熵Loss

Focal Loss【解决难易样本不均衡】

（2）医疗影像分割

Dice Loss（该损失函数的提出有一个背景，直接优化性能度量，涉及到我的另一个课题非凸优化）

IOU（常做为评价指标）

基于以上几个基本的Loss还有各种各样的改进

因为相邻临的像素对应感受野内的图像信息太过相似了，如果临近的像素都属于所需分割区域的内部，那么这种‘相似’是有利的，但是如果相邻 像素刚好处在所需分割区域的边界上，那么这种相似就是有害的了。

上下文特征是很常见的，其实上下文大概去理解就是图像中的每一个像素点不可能是孤立的，一个像素一定和周围像素是有一定的关系的，大量像素的互相联系才产生了图像中的各种物体，所以上下文特征就指像素以及周边像素的某种联系。

1、对网络输出的分割的边界增加额外的损失，或者让网络对边界的特征和区域内部的特征分开建模学习。其本质上的思想还是让网络同时做两个任务：分割和边缘检测。另外，提高输入图像的输入分辨率和中间层特征图的分辨率同样也是简单有效的。

2、利用loss动态加权或者在图像二维空间上采样来解决同一张图像中不同语义的像素个数不均衡以及学习的难易程度不同的问题。

3、利用半监督或者弱监督学习的方法减少标注昂贵的问题。利用多个标签有噪声的样本或其特征构建虚拟的标签干净的虚拟样本或特征来减少标签的噪声。

4、利用合理的上下文的建模机制，帮助网络猜测遮挡部分的语义信息。

5、在网络中构建不同图像之间损失或者特征交互模块。

❼ 基于影像特征的图像分割

通过遥感变化信息检测方法对两时相遥感影像进行处理分析后，得到 “变化信息”影像，同时为了便于后续震害信息的识别，需要把这些变化信息从复杂的环境背景中提取出来，得到一个仅包含变化信息的二值影像，这里就需要用到图像分割 ( ImageSegmentation ) 技术。图 像 分 割 包括 手 动分 割 和 自动分割两种，手动分割是指操作者利用相关的经验进行小图斑的合并、提取和取舍，但是对于大区域遥感影像来说，手工操作工作量大、效率低、速度慢、周期长、容易漏掉小图斑，并且分割图斑的边界容易受到操作者的主观控制，对精度的影响也较大，所以本研究中的图像分割一般指的是自动分割。

退化废弃地遥感信息提取研究

从 20 世纪 70 年代起，图像分割方法一直受到各国学者的关注，至今已经提出了很多种分割方法，FuK. S. ( 1981) 将分割方法分成阈值分割、边缘分割和区域分割，实际上区域分割包含了阈值分割。蔡殉、朱波 ( 2002) 则将图像分割方法分成更多的类别，包括阈值分割、彩色分割、基于模糊集法、深度分割、像素分割、区域增长法，其中彩色分割、深度分割和像素分割都属于阈值分割。

由于现今遥感变化信息检测还处于像元级别 ( 钟家强，2005) ，通过不同检测方法，对灰度、彩色影像进行处理变换，使得变化信息的灰度 ( 像素值) 和色彩信息得到加强，通常表现出灰白色 ( 图 4 － 8、图 4 － 9) 和亮绿色 ( 图 4 － 11) ，与周围地物的色标不协调，可以通过确定相关的变化阈值把变化区域分割出来。但是由于变化信息受到太阳辐射、大气干扰、传感器参数、空间分辨率、光谱分辨率以及季节差异等因素影响，变化图斑的灰度有时在一定的范围内波动，增加了变化信息精确分割的难度，这使得变化阈值的确定显得尤为重要。

( 一) 变化影像特征分析

通过多时相遥感变化信息检测方法得到的灰度或彩色影像通常具有以下特征: ① 影像中光谱特征复杂，包含的地物类型众多，但是变化信息和背景环境的光谱性质不一致。② 灰度影像的变换信息图斑一般分布在灰度轴的两端 ( 就是较亮的区域) ，不过有时也可能位于暗端，极少数情况下也可能位于两者之间，这要根据具体的遥感数据和采用何种检测方法来定; 彩色影像变化信息图斑一般为亮绿色，是否能够和周围地物类型明显区分要根据实际情况而定。③ 变化信息图斑内部的灰度值比较均匀，但是会在一定范围内波动，所以图像分割时很容易丢失细小的图斑。④ 变化信息图斑之间灰度特征比较相似 ( 一致) ，但是纹理特征的差别通常较明显，因为变化信息的图斑可能属于不同的地物类型，所以通常不能用纹理信息来分割变化信息图斑。⑤ 由于非人为控制的因素，影像中不可避免地存在一些噪声信息，这些噪声信息一般表现在与变化信息图斑接近的小图斑( 图 4 － 9 表现得特别明显) ，所以分割的时候要区分哪些是变化信息图斑，哪些是噪声图斑。⑥ 对于不同的环境和区域，变化信息图斑是服从随机分布的，有的地方稀疏，有的地方密集。

( 二) 单阈值区域分割法

单阈值区域分割是一种简单有效的图像分割方法，其用一个阈值将变化图像的灰度级分为两个部分: 变化与未变化。其最大特点是计算简单，在重视运算效率的应用场合 ( 例如用于硬件实现) 得到了广泛应用 ( 冯德俊，2004) 。一般是利用图像的灰度直方图来确定分割阈值。在计算分割阈值时，常在去除噪声的基础上将灰度直方图包络成一条曲线，如果图像上有多个特征区域，其直方图就会出现多个峰值，每个峰值对应一个特征区域，而谷底值点就为分割阈值，用以划分不同的特征区域。

复杂图像的目标和背景的灰度值时常有部分交错，为了在分割时使这种错误分割的概率最小，需要寻找出最优的分割阈值，所以单阈值区域分割法也叫最优阈值法，意指能够使分割误差最小。图像的灰度直方图可以看成是像元灰度值的概率分布密度函数，假设一幅图像仅含有目标和背景两个主要的灰度值区域，那么其直方图就表示对应目标和背景两个单峰值的概率分布密度函数之和，如果已知密度函数的形式，就可以计算出使误差最小的最优阈值。其计算原理如下:

假设一幅含有高斯噪声的图像，其背景和目标的直方图(概率密度函数)分别为p_b(z)和p_o(z)，那么整个图像的混合概率密度p(z)为(章毓晋，2001):

退化废弃地遥感信息提取研究

式中:σ_b和σ_o分别为背景和目标均值的均方差;μ_b和μ_o分别为背景和目标的平均灰度值;p_b和p_o分别为背景和目标区域灰度的先验概率，二者之和为1。如果μ_b＜μ_o，需要确定阈值T，将小于阈值的分割作为背景，大于阈值的分割作为目标，假设将目标像元错误地划分为背景以及把背景错误地划分为目标的概率分别为E_b(T)和E_o(T)，则总的误差为两者之和E(T)。为了使该误差最小，将总误差对T求导数，并令导数为零，得到

退化废弃地遥感信息提取研究

将该式代入式(4－3)，可得二项式

退化废弃地遥感信息提取研究

求解该二项式得到最优阈值

退化废弃地遥感信息提取研究

最优阈值T的选取原理如图4－12所示，其原理可以概括为:将经过平滑去噪后的直方图看成一条曲线h(x)，最优阈值T必须满足以下两个条件:

退化废弃地遥感信息提取研究

图4－12 最优阈值选取原理

设原始图像 f( x，y) 的灰度值范围为 G =［0，L －1］，用最优单阈值法把图像分成两类，最优分割阈值为 T ( 0 ＜ T ＜ L －1) ，分割后生成的二值影像为 g( x，y) :

退化废弃地遥感信息提取研究

本研究在 EＲDAS 软件下利用空间建模语言 ( SML) 实现了单阈值 ( 最优阈值) 法，分别分析了图 4 －8、图 4 －9 和图 4 －11 变化影像的直方图分布情况 ( 图 4 －13) ，并进行了最优阈值区域分割，把得到的三幅二值变化信息影像取合集，即把三幅影像相加，保留所有大于 1 的像素点，最后得到变化区域二值影像，如图 4 －14 所示。

图 4 －13 三幅变化影像的直方图曲线

图 4 －14 单阈值法提取的变化信息二值影像( 白色区域为发生变化的区域)

图 4 －15 双阈值模糊识别法计算流程

(三)双阈值模糊识别分割法

由于单阈值区域分割法只有一个全局阈值参与影像分割，然而影像受到大气、噪声、光照以及背景灰度变化的共同影响，导致了变化信息的灰度值总是在一定范围内波动，常常出现变化信息和噪声以及其他地物类别交错的现象。在这种情况下，单阈值区域分割难以满足精度的要求，如何区分出其中的变化信息?本研究提出了双阈值模糊识别分割法，其流程如图4－15所示。

利用变化图像的灰度直方图计算得到两个阈值T₁和T₂，并且T₁＜T₂，然后利用双阈值法对变化图像进行分割(DaneKottkeetal.，1989、1998)，将图像f(x，y)分割为三个类别:背景、不确定类、变化信息:

退化废弃地遥感信息提取研究

对其中不确定的像元保留其灰度值不变，利用模糊识别算子构建目标函数，分别计算出该像元属于两种不同类别(背景和变化信息)的模糊隶属度，通过比较两种隶属度的大小判断其归属(把它归类到隶属度大的那一类当中)，划分到背景与变化信息当中，直到完成所有不确定像元的划分，即完成了整个分割过程。

1.双阈值T₁和T₂的计算

核心阈值T₁的计算按照公式4－5的单阈值(最优阈值法)区域分割法得到。核心阈值T₂则是利用灰度直方图中大于T₁阈值的像元灰度求平均值得到。

设影像的灰度值在0到255之间(8维图像)，利用离散积分的原理来计算灰度的均值。如果利用单阈值法计算出来的最优阈值为T₁，那么核心阈值T₂的计算公式如下:

退化废弃地遥感信息提取研究

式中:n_i表示变化图像中灰度为i的像元出现的个数。

2.模糊识别算法

模糊识别算法的基本思想如下(李希灿等，2003、2008):

首先将样本集规格化，就是把样本集的特征值规格化到0到1之间，设样本特征值y规格化为x，样本集n个样本划分为C个类别，则模糊识别矩阵为

退化废弃地遥感信息提取研究

式中:U_hj为样本j归属于第h类的相对隶属度，h=1，2，…，C，且应当满足以下条件:

退化废弃地遥感信息提取研究

设C个类别的特征值为标准指数或模糊聚类中心指标，则C个类别的中心指标向量为:

退化废弃地遥感信息提取研究

式中:S_h为第h类的中心指标，0≤S_h≤1且h=1，2，…，c，为了求解最优模糊识别矩阵U和模糊最优中心指标S，建立目标函数(李希灿，1998):

退化废弃地遥感信息提取研究

式4－14的意义是:样本集对于全体类别的加权广义海明距离平方和为最小。显然，在不分类别(h=1，U_hj=1)的情况下，该公式变为通常的最小二乘最优准则。在式4－14的目标函数下，计算出最优模糊划分的隶属度和中心指标向量:

退化废弃地遥感信息提取研究

式中:u^*_hj为样本j隶属于h类的隶属度。

3.分割归类

通过构造的目标函数(隶属度函数)，分别计算出每个像素点属于“目标”(变化信息)和“背景”(非变化信息)的隶属度，并把它分入到隶属度大的那一类当中，从而完成图像分割的过程。

图4－16 双阈值模糊识别分割法二值影像

(白色区域为变化信息)

通过在EＲDAS下利用空间建模语言(SML)实现该分割算法，分别将图4－8、图4－9和图4－11变化图像作为输入对象，进行双阈值模糊识别分割，得到的二值变化图像取合集最终结果如图4－16所示。从图4－16中可以看出，双阈值模糊识别分割法能够在一定程度上消除单阈值区域分割法中混杂在变化信息中的离散噪声和个别地物类型，使变化信息更加准确、集中，从而提高了分割的精度。实践证明，双阈值模糊识别分割法有着坚实的理论基础，并且在实际变化信息的分割中能够取得很好的效果，是一种可行、可靠的图像分割自动算法。

❽ 区域增长算法（C#实现)

这个不是跟区域填充差不多么?
如果每次都要逐个单元扫描 不是卡死?
你可以去参考下区域填充算发 虽然那个算法也不怎么样 不过至少每次寻找新点时候 不用逐个重新扫描;

你是想做识别么?

是逐个扫描一次..问题当标识好之后,,当你选择下一个种子点的时候,又要重新扫描.这样是很麻烦;
你可以采用区域填充..他首先确定一个种子点 然后他由这个种子点出发.当走到一路尽头的时候就会返回 延下一个方向走..这样就避免了逐点扫描
例如有这么一个方块
A B C D E F
G H I J K L
M O P Q R S
T U V W X Y
假如冲 Q开始先左走 PQ关系小 则 P跟Q一样 依次走到M 每一个都标记了 当然其中也有些不符合要求 然后M开始往上走....当走到一个点发现他四周所有的位置都被标记 而退回上一个点 继续下一个方向..依次走完 这就是一个递归的方法,,而递归本质也是栈的使用(跟4皇后求法 也有点类似)

❾ 图像分割算法总结

       图像处理的很多任务都离不开图像分割。因为图像分割在cv中实在太重要(有用)了，就先把图像分割的常用算法做个总结。

        接触机器学习和深度学习时间已经不短了。期间看过各种相关知识但从未总结过。本文过后我会尽可能详细的从工程角度来总结，从传统机器学习算法，传统计算机视觉库算法到深度学习目前常用算法和论文，以及模型在各平台的转化，量化，服务化部署等相关知识总结。

        图像分割常用算法大致分为下面几类。由于图像的能量范函，边缘追踪等方法的效果往往只能解决特定问题，效果并不理想，这里不再阐述。当然二值化本身也可以分割一些简单图像的。但是二值化算法较多，我会专门做一个文章来总结。这里不再赘述。

        1.基于边缘的图像分割算法：

            有利用图像梯度的传统算法算子的sobel，roberts，prewitt,拉普拉斯以及canny等。

            这些算法的基本思想都是采用合适的卷积算子，对图像做卷积。从而求出图像对应的梯度图像。(至于为什么通过如图1这样的算子卷积，即可得到图像的梯度图像，请读者复习下卷积和倒数的概念自行推导)由于图像的边缘处往往是图像像素差异较大，梯度较大地方。因此我们通过合适的卷积核得到图像的梯度图像，即得到了图像的边缘图像。至于二阶算子的推导，与一阶类似。优点：传统算子梯度检测，只需要用合适的卷积核做卷积，即可快速得出对应的边缘图像。缺点：图像边缘不一定准确，复杂图像的梯度不仅仅出现在图像边缘，可以能出现在图像内部的色彩和纹理上。

             也有基于深度学习方法hed，rcf等。由于这类网络都有同一个比较严重的缺陷，这里只举例hed网络。hed是基于FCN和VGG改进，同时引出6个loss进行优化训练，通过多个层输出不同scale的粒度的边缘，然后通过一个训练权重融合各个层的边缘结果。hed网络结构如下：

可以得到一个比较完整的梯度图像，可参考github的hed实现。优点：图像的梯度细节和边缘完整性，相比传统的边缘算子要好很多。但是hed对于边缘的图像内部的边缘并不能很好的区分。当然我们可以自行更改loss来尝试只拟合外部的图像边缘。但最致命的问题在于，基于vgg的hed的网络表达能力有限，对于图像和背景接近，或者图像和背景部分相融的图片，hed似乎就有点无能为力了。

        2.基于区域分割的算法：

            区域分割比较常用的如传统的算法结合遗传算法，区域生长算法，区域分裂合并，分水岭算法等。这里传统算法的思路是比较简单易懂的，如果有无法理解的地方，欢迎大家一起讨论学习。这里不再做过多的分析。

            基于区域和语意的深度学习分割算法，是目前图像分割成果较多和研究的主要方向。例如FCN系列的全卷积网络，以及经典的医学图像分割常用的unet系列，以及rcnn系列发展下的maskrcnn，以及18年底的PAnet。基于语意的图像分割技术，无疑会成为图像分割技术的主流。

            其中，基于深度学习语意的其他相关算法也可以间接或直接的应用到图像分割。如经典的图像matting问题。18年又出现了许多非常优秀的算法和论文。如Deep-Image-Matting，以及效果非常优秀的MIT的 semantic soft segmentation(sss).

            基于语意的图像分割效果明显要好于其他的传统算法。我在解决图像分割的问题时，首先尝试用了hed网络。最后的效果并不理想。虽然也参考github，做了hed的一些fine-tune,但是还是上面提到的原因，在我多次尝试后，最终放弃。转而适用FCN系列的网络。但是fcn也无法解决图像和背景相融的问题。图片相融的分割，感觉即需要大的感受野，又需要未相融部分原图像细节，所以单原FCN的网络，很难做出准确的分割。中间还测试过很多其他相关的网络，但都效果不佳。考虑到感受野和原图像细节，尝试了resnet和densenet作为图像特征提取的底层。最终我测试了unet系列的网络：

                unet的原始模型如图所示。在自己拍照爬虫等手段采集了将近1000张图片。去掉了图片质量太差的，图片内容太过类似的。爬虫最终收集160多张，自己拍照收集200张图片后，又用ps手动p了边缘图像，采用图像增强变换，大约有300*24张图片。原生unet网络的表现比较一般。在将unet普通的卷积层改为resnet后，网络的表达能力明显提升。在将resnet改为resnet101，此时，即使对于部分相融的图像，也能较好的分割了。但是unet的模型体积已经不能接受。

                在最后阶段，看到maskrcnn的实例分割。maskrcnn一路由rcnn,fasterrcnn发展过来。于是用maskrcnn来加入自己的训练数据和label图像进行训练。maskrcnn的结果表现并不令人满意，对于边缘的定位，相比于其他算法，略显粗糙。在产品应用中，明显还不合适。                

        3.基于图的分割算法

            基于深度学习的deepgrab,效果表现并不是十分理想。deepgrab的git作者backbone采用了deeplabv2的网络结构。并没有完全安装原论文来做。

论文原地址参考： https://arxiv.org/pdf/1707.00243.pdf

整体结构类似于encode和decoder。并没有太仔细的研究，因为基于resent101的结构，在模型体积，速度以及deeplab的分割精度上，都不能满足当前的需求。之前大致总结过计算机视觉的相关知识点，既然目前在讨论移动端模型，那后面就分模块总结下移动端模型的应用落地吧。

由于时间实在有限。这里并没有针对每个算法进行详细的讲解。后续我会从基础的机器学习算法开始总结。

❿ 在图像处理中，有什么算法可以将目标分割成几个部分

主要看你对photoshop等图像处理软件中各个工具的掌握熟练度 比如说可以用钢笔工具或者套索工具进行选择抠图 至于抠得怎样 这个别人不能代劳 只能看你自己水平啦 然后按快捷键ctrl+J，即把选中的部分单独抠出来建立一个图层 然后再进行编辑啦（好像没有你说的可以精确抠图的算法哦）