[人工智能]【数字图像处理 9】图像分割

图像分割主要基于两种特征：不连续性和相似性。

• 不连续性：
• 相似性：

边缘检测：

• 方法：一阶导数求边缘，sobel算子，但一阶导对于带噪声图像的反应也非常明显。
• 解决噪声问题：先对图像进行平滑处理（高斯平滑），再进行边缘检测。
• 简化：将平滑处理和边缘检测的卷积提前合并。
• 新问题?：平滑处理确实去除了噪声，但也模糊了边缘。

边缘检测的三大准则：

• 低错误率的检测：检测图像中的真边缘，忽略噪声和其它假象。
• 良好的定位：检测的边缘点应该精确地定位于边缘的中心。
• 图像中的任意边缘应该只被标记一次。

**边缘检测借助的痕迹：**颜色，深度或纹理的区别。

Canny边缘检测器：

edge(Imgae, ‘Canny’); (可设定其它参数)

https://www.jianshu.com/p/d21a33a7901a

Hough Transfrom：

思想：参数空间的投票

【检测直线原理+matalab函数介绍】

【参数空间分格投票计数+扩展】

Q1：为什么要引入极坐标而不是只用m,b坐标系？

A1：运用极坐标有界，m-b会无界；譬如所有边缘点的x均为0，那么m值就无限大，b值变化，导致每个边缘点在m-b坐标系下生成的为互相平行的直线，会导致没有交点。无法进行变换。

Q2：霍夫变换里划分的格子，是包含只有一个点还是好多个点？

A2：一个格子就会有一个固定的坐标数值，里面有很多点，但是最终会选择投票最多的那个格子所代表的固定坐标数值。

Threshold（阈值化分割）：

思想：在图像中，像素值大于阈值的即为物体，小于阈值的为背景。

难点：找到合适的阈值T

分类：

• 全局阈值法：T是基于整个图像得出的常量。
• 可变阈值
  • 局部阈值：T取决于周围的(x,y)
  • 动态（适应性）阈值：T取决于自身坐标(x,y)

影响：图像中的噪声、照明和反射都会对直方图产生很大影响，从而导致阈值的选取困难。

Otus’s method：类间方差最大化

K-means Clustering：

找到三个聚类中心把所有的像素分成3类

1. 初始化聚类中心，t=0;
2. 一句距离中心的方差和的最小值的点，设置到理他最近的中心区域中。
3. 采用方差，更新聚类中心。
4. 重复2~4，直至没有点会被重新分。t = t+1;]

Region-Based Segmentation：

要找到种子点

先进行分裂成块，再合并。知道不需要再分裂。

分裂合并时都需要进行判断。

Active Contours（活动轮廓）：

内部能量+外部能量