图像分割方法的分类和发展
1 ）分类
2 ）发展
图像分割是计算机视觉中非常重要的研究子领域从计算机视觉和图像处理最开始发展的时候，图像分割方法就一直是探索的方法之一经过长时间的发展，图像分割已经发展出了多类方法：基于阈值的方法，基于区域的方法，基于边缘的方法，基于深度学习的方法基于阈值的方法是最基本也是历史比较长的方法，虽然简单直接，但在一些特殊领域中：光学字符识别应用非常广泛, 得到的效果也非常好基于区域的方法又分为分水岭算法和图切方法基于边缘的方法包括廓线点检测和活动廓线法：在检测行人的时候非常的有效基于深度学习的方法
局部阈值法分割的基本思想
1 ）全局阈值法的问题
大津算法对应全局阈值法存在很多问题左侧图是一些硬币放在光滑的表面上，由于环境光照的不均匀和硬币种类不同的影响，直接使用二值化方法进行分割，得到的图像又黑又白，而且有些有炫光为了得到更好的效果，我们可以使用局部阈值法 局部阈值法的基本思想是把多个图像分成若干个不同的区域, 如上图分成小一些的格子在每个小格子中，我们认为它满足大津算法的条件，使用大津算法进行分割在实际中我们要考虑一个问题，就是在格子中就没有我们要分割的目标我们通常使用的方法是不仅仅计算阈值梯，还要计算对应的前景和背景它们的均值m1,m2如果它俩距离过近，那么它们分割并不明显, 如果图像没有前景，对应的是一个单峰的分布，就不用再做进一步的分割了我们对每个格子，计算最优的阈值和均值之间的距离，如果均值之间的距离d小于一个指定的值，我们就认为这个格子里没有目标，反之，如果有目标，那么d就很大进一步我们把对应每个格子局部阈值分割的结果放到一起，最终做一个二值化处理，就得到了我们最后的分割结果，明显效果要好得多, 如下图所示
2 ）OpenCV对局域阈值法提供的实现
自适应阈值分割 c++版本
void adaptiveThreshold( InputArray src, OutputArray dst, double maxValue, int adaptiveMethod, int thresholdType, int blockSize, double C );
maxValue: 阈值化后的最大值;adaptiveMethod:计算阈值所采用的算法，有两个取值，分别为ADAPTIVE_THRESH_MEAN_C和ADAPTIVE_THRESH_GAUSSIAN_C;blockSize: 邻域块大小; python版本
dst = cv.adaptiveThreshold( src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst] )
分水岭算法
1 ）基本思想
是对区域生长算法的改进左边的图，白色的地方灰度值明显要高，黑色的地方灰度值明显要低右侧的图，是一个立体的图，白的地方(山脉和山脊)灰度值高，黑的地方(山谷)灰度值低如果从山谷开始放水，比如从第一个山谷里放水，只要它不超过周围的山脊，它就会一点儿一点儿往上涨，涨到充分高的时候，开始漫过去到另一个山谷在模拟中，我们设定一个涨水的边界条件, 我们就能区分它在不同的区域，这个也就是我们分水岭分割的一个基本思想
2 ）对应灰度图的几何解释
局部最小值点，也就是漫水的初始点, 该点对应一个盆地的最低点(不仅仅是个点，还可能是个平面)，当我们在盆地里滴一滴水的时候，由于重力作用， 水最终会汇聚到该点。注意:可能存在一个最小值面，该平面内的都是最小值点。盆地的其它位置点，该位置滴的水滴会汇聚到局部最小点。盆地的边缘点，是该盆地和其它盆地交接点，在该点滴一滴水，会等概率的流向任何一个盆地。可以从该点做一个上下方向的线，分割两个盆地，我们形象称为分水岭分水岭算法的执行过程是：我首先指定一系列的种子点，这些种子点是对应盆地的随机位置的点，采用类似区域生长的算法，将种子点不断向周围扩散, 模拟水不断浸入的过程直到两片水合成一个的时候，我们对应的交线就是我们区域的边界
3 ）分水岭算法的过分割问题
左侧是原始图像，右侧是分割结果，就像是马赛克片一样由于噪声点或者其它干扰因素的存在，使用分水岭算法常常存在过度分割的现象，这是因为很多很小的局部极值点的存在
4 ）解决过分割问题
初始的时候种子点不是从一个点开始，而是从一堆点开始，这些点不仅位于谷底，而且位于谷底和盆地中间为了解决过度分割的问题，可以使用基于标记(mark)图像的分水岭算法，就是指定mark图像(左侧图像)在这个区域的洪水淹没过程中，水平面都是从定义的marker开始的，这样可以避免一些很小的噪声极值区域的分割。
5 )具体的动画图解
在我们做marker的时候，实际上就隐含着把多个过于细碎的分割认为是一个区域，并且把这些信息传递给了分割算法
6 )使用marker改善分割结果
有效解决了过分割问题
7 )OpenCV实现
分水岭图像分割
cpp版本
void watershed( InputArray image, InputOutputArray markers );
image: 三通道彩色图像;markers:记号点(种子点)，每一个记号需要有不同的编号;
python版本
markers = cv.watershed( image, markers )
基于边缘轮廓的分割
1 )基本思想
可以在边缘检测的基础上，基于闭合边缘构建分割后的结果在分割前需要进行边缘检测, 很多时候还要使用其他方法得到二值化的分割结果OpenCV提供几种基于边缘轮廓的分割方法，包括简单的基于封闭曲线的方法，以及基于活动廓线(active contour的方法)边缘轮廓搜索的方法，该算法基于Suzuki, S. 1985的方法，相对古老，但OpenCV基于此提供了关于图像描述的支持，比较好用换句话说当我们得到搜索完的边缘以后，进一步我们可以计算对一个图像区域，它的各个描述的特征
2 ）OpenCV的支持
找到目标轮廓 cpp版本
void findContours( InputOutputArray image, OutputArrayOfArrays contours, OutputArray hierarchy, int mode, int method, Point offset=Point());
image: 单通道图像矩阵，可以是灰度图，但更常用的是经过边缘检测算子处理后的二值图像;contours:定义为“vector<vector> contours”，是一个轮廓列表;hierarchy: 存在嵌套轮廓时，分别为第i个轮廓的后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号;mode: 定义轮廓的检索模式, 包括CV_RETR_EXTERNAL只检测最外围轮廓， CV_RETR_LIST检测所有轮廓，但不建立等级关系等;method: 包括CV_CHAIN_APPROX_SIMPLE 仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入contours等;offset: 所有的轮廓信息相对于原始图像对应点的偏移量, 缺省不设置。 python版本
image, contours, hierarchy = cv.findContours( image, mode, method[, contours[, hierarchy[, offset]]] )
3 )搜索轮廓组成轮廓树
这个轮廓可以分为多层，最外层的轮廓给个索引是0轮廓之间的关系可以用数来展开，顶层是0，下面的叶子节点是1，2类似的可以把轮廓的结构来进一步描述通用的描述是：一个轮廓和它的子轮廓可以构成一个轮廓树
4 ）OpenCV提供了轮廓的不同表达方式
5 )OpenCV的相关函数实现
画出目标轮廓 cpp版本
void drawCoutours(InputOutputArray image, // 用于绘制的输入图像 InputArrayOfArrays contours, // 点的vectors的vector int contourIdx, // 需要绘制的轮廓的指数 (-1 表示 "all")const Scalar& color, // 轮廓的颜色int thickness = 1, // 轮廓线的宽度int lineType = 8, // 轮廓线的邻域模式('4'邻域 或 '8'邻域) InputArray hierarchy = noArray(), // 可选 (从 findContours得到) int maxLevel = INT_MAX, // 轮廓中的最大下降Point offset = cv::Point() // (可选) 所有点的偏移)
python版本
image = cv.drawContours( image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset]]]]] )
