《图像处理、分析与机器视觉 第四版》图像分割之基于边缘分割——学习笔记
文章目录
基于边缘的分割
一大类方法在进行分割的时候是基于图像边缘信息来完成的，它是最早的分割方法之一旦仍然是非常重要的。基于边缘的分割依赖于边缘检测算子， 这些边缘标示出了图像在灰度、彩色、纹理等方面不连续的位置。
边缘检测得到的图像结果并不能用作分割结果。必须采用后续的处理将边缘合并为边缘链， 它与图像中的边界对应得更好。最终的目标是至少达到部分分割， 即
将局部边缘聚合到一幅图像中， 使其中只出现对应于存在的物体或图像部分的边缘链。
在分割处理中可获得的先验信息越多，能达到的分割结果就越好。
基于边缘分割的最常见的问题是在没有边界的地方出现了边缘以及在实际存在边界的地方没有出现边缘， 这是由图像噪声或图像中的不适合的信息造成的。显然这些情况对分割结果有负面影响。
1. 边缘图像阈值化
在边缘图像中基于没有0值像素——小的边缘值对应于由量化噪声、弱不规则照明等引起的非显著的灰度变化。可以对边缘图像做简单的阈值化处理排除这些小的数值。
2. 边缘松弛法
松弛法是一种众所周知的用于改进某种属性估计的方法，它主要利用了该属性值在一个中间领域的估计 值——因此， 有必要理解局部这个概念， 以及与之相关联的度量。
3. 边界跟踪
如果区域的边界未知， 但区域本身在图像中已经定义了， 那么边界可以唯一地检测出来。
4. 作为图搜索的边缘跟踪
5. 最为动态规划的边缘跟踪
动态规划是基于最优化原理的一种最优化方法。
最优化原理的主要思想（mainidea）是：无论到结点E的路径是什么，都存在着结点E和终点间的一条最优路径。换句话说，如果起点-终点的最优路径穿过E，则其在起点-E以及E-终点间的两部分也是最优的。
6. Hough变换
Hough变换是设计用来检测直线和曲线的，起初的方法要求知道物体边界线的解析方程，但不需要有关区域位置的先验知识。这种方法的一个突出优点是分割结果的鲁棒性，即分割对数据的不完全或噪声不是非常敏感。
7. 使用边界位置信息的边界检测
如果己知一些有关边界位置或形状的信息，使用它将非常有利。例如，信息可以是基于某种高层知识的， 或者是来自于在低分辨率图像上作分割的结果。