基于传统图像分割算法的基于组织区域分割方法概率统计方法：基于MRF原理阈值方法的双峰直方图迭代阈值分割大津法能量泛函级集分割
研一想进行红外可视融合，研二想将红外可视融合用于图像分割。
因此，我打算首先从传统的图像处理分割开始调查。
项目有多种传统的图像分割算法(基于阈值的分割方法(直方图双峰法、迭代阈值图像分割和大津法 OTSU)、基于区域的分割方法(3358www.Sina.com/)、概率统计方法)分水岭法、区域分裂合并法
其次，按照原理和处理流程介绍各算法，给出项目结果。
基于区域的分割方法
概率统计方法：
根据MRF原理从这里开始参考，以下根据自己的理解再说一遍：
马尔可夫模型是一系列事件的集合。 在这个集合中，事件一个个地发生，并且下一个瞬间的事件的发生只由当前发生的事件决定，与再生前的状态无关。
常用的例子是，今天天气的好坏只与昨天的天气有关，与前天和前天都无关。
铺展到图像区域时，图像中的某一点的特征(一般指灰度值、RGB值等)仅与其附近的一部分附近有关，与其他附近无关。
设分割前的某个像素的点图像为s，分割类别为w，w=[类、b类、c类、d类]。
分割是计算像素点s，选择其(p (类a|s )、p (类b|s )、p (类c|s )、p (类b|s ) )，其中概率最高的类作为s的最终类也就是说，统称为计算p(w|s1 )。
具体而言，使用贝叶斯公式，对上述每个像素点分别求出4种概率，取得最大概率。基于MRF的分割:表示像素点s处的标签被分类为a类、b类、c类、d类的概率，但由于图像中最初没有标签，所以通过随机分类或k均值决定预分类概率，根据水平集分割
重要的是，如何通过迭代纠正类别概率呢？ 我们需要使用马尔可夫性质。
求出某个像素点为标签l的概率，此时，该像素点附近的附近已经被标记。 这个像素点也有标签，但是这个标签是上一代的标签，到下一代需要进化。 马尔可夫性表明，该像素点的分类状况只与邻域的分类状况有关，与其他邻域无关。 也就是说，根据该像素点附近的分类情况，可以决定该像素点在下一代属于什么类别。 其中马尔可夫随机场被证明等价于一个Gibbs随机场。 Gibbs随机场的p(w )可以这样求出(具体怎么来不需要刨根问底。 如果能使用就好了) :
这里的t是参数。 主要看U2(W )。 在此，c表示附近范围。 通常取0.5-1。P(W)
对于以像素点s为中心8个区域，分别比较s和左边、右边、上边、下边、左上边、右下边、左下边和右上边. 如果是同一标签，则标记，如果是不同的标签，则标记-。 的结果为u2(w )，其中有与四个类别相对应的u2(w )。 简言之，就是比较像素点s的标签与周围像素点的哪个类别最接近，下一次反复朝向该类别。注意：这里的P(W)是没有考虑像素点S的，仅仅考虑当前自己的标签和周围的标签来确定下一次迭代的标签，但是分割的最终结果是需要考虑像素点S的，所以这个P(W)并不是最终分割结果，不是条件概率
这里的操作就是：:表示已知的像素点标签w，求出该像素点的灰度值为s的概率。 从以上内容可以看出，每次叠加世代，上一代的等级标签都已经存在。 举个例子，如果已知在前一代像素点s的标签为a类，则假设拾取前一代a类的所有点，每个点独立，每个类中的所有点遵循现实的花分布(正态分布) 我们可以根据这个类中的这些点构造属于这个类的现实花的密度函数(不过实际编程就是简化成直接计以像素点S为中心的8邻域像素点，每种类别出现的次数)。 然后，来像素值，把它带到这个类中的密度函数，就可以得到这个概率。 同样，对于类2、3、4，可以在每个类中创建现实的花密度函数。 然后，因为有四个现实的花密度函数，所以每个点属于这四个类的概率可以分别带到这四个现实的花密度函数中。 现实花密度函数的一般形式如下。
因此，最后有四个类别的概率。
以上可以求出p(w )和p ) s|w。 因为是看最大值，与具体取值无关，所以可以无视p ) s )，直接取对数进行加法运算。
阈值方法
基本想法是找到一个阈值，比这个阈值大的阈值为255，小的阈值为0。
假设双峰直方图在图像中有明显的目标和背景，该灰度直方图呈双峰分布，当灰度直方图具有双峰特性时，选择双峰谷对应
的灰度级作为阈值。如果背景的灰度值在整个图像中可以合理地看作为恒定，而且所有物体与背景都具有几乎相同的对比度，那么，选择一个正确的、固定的全局阈值会有较好的效果.算法实现：找到第一个峰值和第二个峰值,再找到第一和第二个峰值之间的谷值，谷值就是那个阀值了。 迭代阈值分割迭代法求取阈值进行图像分割：图像分割后的两部分A和B的均值和基本保持稳定。也就是说，随着迭代的进行，取 [mean(A)+mean(B)]/2 最终的收敛值作为分割阈值。其具体方法如下：
（1）选取一个初始阈值T；
（2）利用阈值T把给定图像分割成两组图像，记为R1和R2；
（3）计算R1和R2均值μ1和μ2;
（4）选择新的阈值T，且T=（μ1+μ2）/2;
（5）重复第（2）至（4）布，直到连续两次T的差值小于一个预设值为止。
假设存在最佳阈值T，将图像分割为C1和C2。
这两类像素的均值为M1和M2，整幅图像的均值为MG。
C1类像素占了整张图像像素数量比例为N1，C2类像素占了整张图像像素数量比例为N2。
计算类间方差公式：σ=N1(M1-MG)2+N2(M2-MG)2
类间方差也就是目标与背景之间方差，差别越大，说明两者分类越正确，差别越小，则说明阈值选得不对，使他们混淆了。具体就是假设最佳阈值T从0遍历到255，然后找到σ最大对应的灰度值作为阈值即可。