简介

对象图像分割是指对研究对象的图像数据进行图像分割。不同的领域，图像的内容是不同，所以要采用图像分割方法一般是不同。但主要目的是相同的即采用有关图像分割方法分割出图像重要的区域特征，用于分析。很多领域都属于对象图像分割，例如遥感气象服务， 医学影像分析， 军事研究领域、 交通图像分析、 图像压缩、 图像检索等。

图像分割

图像分割即将图像分成具有各自特性的同质区域并提取出感兴趣目标物体的技术和过程，它是图像处理到图像分析的关键步骤，是图像处理和机器人视觉领域的基本问题之一。图论是应用数学的一个分支， 主要以图为研究对象， 与图像之间有很好的映射关系， 近年来使用图论中许多成熟的理论和数学工具进行图像分割已成为图像分割领域研究的热点。其主要思想是将待分割图像映射为加权图， 图像的像素构成图的顶点集， 其特征信息(灰度、 颜色等)对应每个顶点的属性， 像素之间的相邻关系对应图的边集， 边的权值对应像素之间的相似性或差异性。将图像映射为图后， 图像分割过程可以看作是根据像素的特征信息， 对每一个像素分配标记的过程，相同特性的像素具有相同的标记， 不同特性的像素具有不同的标记。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。

对象图像分割两种策略

1) 根据图像灰度值的相似性或同质性将图像划分为区域，目标物体通过部分区域的合并产生，例如阈值法、 聚类法、区域分离以及区域融合等。

2) 根据图像灰度值的不连续性和突变性寻找目标物体或其轮廓的位置，根据该位置进行空间上的延伸，即通过检测图像的特征点、线、面进行图像分割，例如边缘检测法。

聚类方法

K-均值聚类法是一种将图像分割成K个聚类的迭代技术。基本算法如下：

首先从n个数据对象任意选择 k 个对象作为初始聚类中心；

对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；

然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；

重复第2和3步骤，直至收敛（聚类不再发生变化）。

这里，距离指像素与聚类中心之间绝对偏差或偏差的平方。偏差通常用像素颜色、亮度、纹理、位置，或它们的加权组合。K值可以手动选取、随机选取、或其它方式得到。此算法保证收敛，但它可能不会返回最佳的解决方案。该解决方案的质量取决于最初的一组集群和K值。

基于区域的图像分割方法

基于区域的分割方法是以直接寻找区域为基础的分割技术，具体算法有区域生长和区域分离与合并算法 。基于区域提取方法有两种基本形式 ：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 。在实际中使用的通常是这两种基本形式的结合 。该类算法对某些复杂物体定义的复杂场景的分割或者对某些自然景物的分割等类似先验知识不足的图像分割 ，效果较理想 。

基于边缘的图像分割方法

基于边缘检测的分割方法试图通过检测不同区域的边缘来解决问题，通常不同的区域之间的边缘上灰度值的变化往往比较大，这是边缘检测方法得以实现的主要假设之一。它的基本思想是先检测图像中的边缘点，再按一定策略连接成轮廓，从而构成分割区域。其难点在于边缘检测时抗噪性和检测精度的矛盾，若提高检测精度则噪声产生的伪边缘会导致不合理的轮廓；若提高抗噪性则会产生轮廓漏检和位置偏差。边缘与区域相结合的图像分割方法。边缘检测能够获得灰度值的局部变化强度，而区域分割能够检测特征的相似性与均匀性 。边缘与区域相结合分割的主要思想是结合二者的优点，通过边缘点的限制，避免区域的过分割；同时，通过区域分割补充漏检的边缘，使轮廓更加完整。

基于图论的图像分割方法