数字图像分割简介

所谓图像分割是指根据图像的灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域之间表现出明显的不同。简单地讲，就是在一幅图像中，把目标从背景中分离出来，以便于进一步处理。通过对分割结果的描述，可以理解图像中包含的信息。图像分割的实质是将像素分类的过程，分类的依据可建立在像素之间的相似性和非连续性上。分割结果是以区域的边界坐标表示的，而分割的程度取决于要解决的问题。也就是说，在实际应用中，当感兴趣的对象已经被分离出来时就停止分割。

图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提，同时也是一个经典难题。到目前为止不存在一种通用的图像分割方法适用于任何图像，也不存在一种判断分割是否成功的客观标准，对分割结果的评价需要根据具体的场合要求衡量。

一般地，图像分割算法基于像素亮度（灰度）值的两个基本特性之一：非连续性和相似性（如图3-1所示）。

图3-1　图像分割的主要方法

（一）相似性分割

相似性分割是将具有相同或相似灰度级或纹理的像素聚集在一起，形成图像中的不同区域。这种基于相似性原理的方法常称为“基于区域相关的分割技术”。“同质”分割依据包括灰度、颜色、纹理、灰度变化等。阈值处理、区域生长、区域分裂与合并都属于此类方法。(www.xing528.com)

（二）非连续性分割

非连续性分割即指基于亮度的不连续变化分割图像。需要先检测图像的局部不连续性，然后将它们连接起来形成边界，这些边界将图像分割成不同的区域。这种基于不连续原理检测图像中物体边缘的方法也称为“基于点相关的分割技术”，即边缘检测法。

上述两种方法具有互补性，一般在不同的场合需要不同的方法，有时也将它们的处理结果相结合，以获得更好的效果。

随着计算机处理能力的提高，很多图像分割方法不断涌现，如基于彩色分量的分割、纹理图像的分割等。所使用的数学工具和分析手段也在不断扩展，从时域信号到频域信号处理，以及小波变换等。