前言基于阈值的直方图技术最小误差法最大方差法基于边缘正则算法Hough变换的区域生长法分裂综合法
前言
首先说明几个相关名词：
a )图像的基本属性)包括像素、分辨率、尺寸、颜色、位深度、色相、饱和度、亮度、颜色通道、图像分级等，在图像划分中，灰度、纹理、颜色处于相同的图案。
b )区域)具有共同属性的像素的连接集合。
图像分割是指将图像分割成相互不交叉的小区域。
那么，对什么进行图像分割处理？
这是因为，在进行视觉信息处理时，可能只对图像中的一部分区域，例如目标、前景等感兴趣，所以为了识别并分析这些目标，需要分割和提取处理。
根据阈值将原图像
分割后的图像
具体的分割方法如下。
这里的t是二值化图像的阈值。 阈值大致可分为全局阈值、本地阈值和动态阈值三种。
选择阈值的方法中常见的有直方图技术、最小误差或最大方差法，下面将详细说明。
基于直方图技术，如果前景和背景的灰度分布值差异较大，且前景和背景的对比度较高，前景的灰度分布比较均匀，则可以采用直方图技术，在这种情况下直方图呈现双峰特征，峰谷可以为阈值
对于复杂的图像，需要使用全局阈值的方法。 此时，将刚才确定的手指作为初始阈值，设定允许误差范围。 以该值为界，将图像的像素分为两组，计算各组的平均灰度。 这两组平均灰度的平均值成为新的阈值，反复进行直到逐次反复得到的t的差低于预先设定的允许误差范围为止，最后的阈值成为全局阈值。
最小误差法是，将目标和背景灰度分布的概率密度函数(下图)分别设为p(z )、q ) z )，将目标占整体的比例设为w时，整体图像的灰度概率密度为w * p (z ) ) (1-w ) *q )
如图所示，如果t为阈值，则有目标被错误地分为背景和背景的部分。
将其分别标记为p(t )和p(t )，进行计算：
此时的错误分割的概率为w*p(t ) (1-w ) ) q ) t )，但最小误差法是指使该值最小。
从数学知识可以看出，我们可以对上述公式进行求导运算，当该导数值为零时，求出的t值是必要的阈值。
大方差法大方差法又称OSTU大津法，是1979年学者大津提出的。 关于大津法的具体解释，请参考我之前写的文章。 https://blog.csdn.net/carry _ zydzh/article/details/113407535
基于边缘首先说明相关概念：
a )焦点检测)基于焦点检测的模板进行，并且如果图像中的独立点对该模板有较大响应，则可将其视为独立点。
b )线检测)与点检测一样，也根据模板进行线检测。 这是在R1、R2、R3、R4各自4个方向的线上检测模板。 对于图像中的点|ri||，rj|，i j的情况下，认为该点与模板I方向的线更相关，但是对于图像中灰度一定的区域，上述4
图像边缘是图像中位于两个区域边界处的一系列像素的集合。 可以通过一阶或二阶导数等方法提取图像的边缘。
普通算法对图像进行微分运算，也就是计算梯度。 图像函数f(x，y )的像素点) x，y处的梯度是向量，计算如下：
由于该差分值在平坦区域中是零，在边缘中不是零，所以能够利用该性质提取图像的边缘。
Hough变换在实际应用中，由于噪声、照明等而产生边缘的中断，一组像素难以完全形成边缘。 要解决此问题，必须连接边界点以构成完整的边界图形。 也就是说，对于边界上的n个点集，求共线的点集和直线方程。 这是人们常说的xhdbwb(Hough )转换。
Hough变换是一种检测、定位直线、分析曲线的方法，它将二值图转换为Hough参数的空间，在参数空间中通过极值点的检测完成目标的检测。
Hough变换的基本想法是将坐标变换为参数平面，是在参数平面上最相交的直线的点、对应的x、y平面的直线所求出的直线。 在实际算法的实现过程中，也可以以极坐标或曲线坐标的形式进行判断。
当然，考虑到实际上需要简单地处理算法，可以根据现有的点集合预测粗略的范围，即通过交点累加器或交点统计直方图来辅助。 Hough变换应用范围广泛，常见文档矫正是采用Hough变换的结果。 参数平面中相交直线最多的点是由对应的x、y平面的直线求出的直线
当基于区域将区域r划分为若干个子区域R1、R2、 rn时，区域满足完整性、连通性、独立性、单一性、相互排他性。
区域生长法区域生长法在每个要分割的区域寻找种子像素作为生长的起点，判断在种子像素的周围附近是否具有与种子像素类似的性质，如果具有类似的性质，则将该像素合并为具有种子像素的区域，并将这些新像素作为新的种子像素进行上述处理种子像素可以是直方图的粗分割或人为确定的。
分裂融合法对于任何r，如果是v(Ri ) t，则分裂为互不重叠的四等分，如果是邻接区域ri和Rj，则融合v ) riurj(t，则融合两者，如果不能进一步分裂或融合，则结束算法。
如果有疑问或错误，欢迎与私信交流指正。
W.By Xyq