MATLAB图像处理：图像分割方法

图像分割将图像划分为具有特定意义的子区域，是目标检测、医学影像分析、自动驾驶等领域的核心预处理步骤。本文讲解阈值分割、边缘检测、区域生长、聚类分割、基于图的方法等经典与前沿技术，提供MATLAB代码实现。

[1. 图像分割基础](#1. 图像分割基础)

[2. 经典分割方法详解](#2. 经典分割方法详解)

[2.1 阈值分割](#2.1 阈值分割)

原理：

MATLAB实现：

[2.2 边缘检测分割](#2.2 边缘检测分割)

原理：

[2.3 区域生长与分裂合并](#2.3 区域生长与分裂合并)

算法步骤：

[4. 分割方法对比与选型指南](#4. 分割方法对比与选型指南)

1. 图像分割基础

定义：根据像素的灰度、纹理、颜色或语义特征，将图像划分为互不重叠的区域。
核心目标 ：
- 精确分离目标与背景
- 保留目标的几何与语义完整性

2. 经典分割方法详解

2.1 阈值分割

原理：

通过设定灰度阈值划分前景与背景，适用于高对比度场景。
OTSU算法：自动计算最大类间方差的阈值。

MATLAB实现：

复制代码

img = imread('coins.png');

% 手动阈值分割
thresh = 0.6;                 % 阈值设为0.6（归一化后）
binary_manual = imbinarize(img, thresh);

% OTSU自动阈值
thresh_otsu = graythresh(img); 
binary_otsu = imbinarize(img, thresh_otsu);

figure;
subplot(131), imshow(img), title('原图');
subplot(132), imshow(binary_manual), title('手动阈值');
subplot(133), imshow(binary_otsu), title('OTSU分割');

2.2 边缘检测分割

原理：

基于梯度、二阶导数或零交叉检测目标轮廓（如Canny、Sobel算法）。

% Canny边缘检测
edge_canny = edge(img, 'Canny', [0.1 0.25], 1.5);

% 形态学后处理连接断裂边缘
se = strel('disk', 2);
closed_edge = imclose(edge_canny, se);
filled_edge = imfill(closed_edge, 'holes');

figure;
subplot(131), imshow(edge_canny), title('Canny边缘');
subplot(132), imshow(closed_edge), title('闭运算连接');
subplot(133), imshow(filled_edge), title('填充孔洞');

2.3 区域生长与分裂合并

算法步骤：

区域生长：从种子点出发，按相似性准则合并相邻像素。
分裂合并：递归地将图像分裂为子块，合并相似区块。

% 初始化生长区域
segmented = false(size(img));
segmented(seed_point(1), seed_point(2)) = true;
mean_val = img(seed_point(1), seed_point(2));

% 迭代生长
for iter = 1:1000
neighbor_mask = imdilate(segmented, strel('disk',1)) & ~segmented;
neighbors = find(neighbor_mask);
if isempty(neighbors), break; end
neighbor_vals = img(neighbors);
valid = abs(neighbor_vals - mean_val) < threshold;
segmented(neighbors(valid)) = true;
mean_val = mean(img(segmented));
end

figure;
imshowpair(img, segmented, 'blend'), title('区域生长结果');

3. 聚类与图论分割方法

3.1 K-means聚类分割

复制代码

clc;
clear;
close all;

% 读取图像
originalImage = imread('苹果.png'); % 使用MATLAB自带图像
figure; 
imshow(originalImage); 
title('原始图像');

%% 预处理
img = im2double(originalImage); % 转换为双精度并归一化
[rows, cols, channels] = size(img);

% 转换为像素特征向量（每个像素的RGB值作为特征）
pixelFeatures = reshape(img, rows*cols, channels); % 尺寸变为[M*N, 3]

%% K均值聚类
k = 2; % 设置聚类数量
[clusterIdx, centroids] = kmeans(pixelFeatures, k, ...
    'Distance', 'sqeuclidean', ...   % 平方欧氏距离
    'Replicates', 5, ...             % 重复聚类5次取最佳
    'MaxIter', 100);                % 最大迭代次数

%% 后处理与可视化
% 将聚类结果重塑回图像尺寸
labelMap = reshape(clusterIdx, rows, cols);

% 创建颜色标记的分割图像
segmentedImage = zeros(rows, cols, channels);
for i = 1:k
    % 为每个聚类区域赋予对应的中心颜色
    mask = labelMap == i;
    for ch = 1:channels
        colorLayer = img(:,:,ch);
        segmentedImage(:,:,ch) = segmentedImage(:,:,ch) + ...
                                 colorLayer .* mask;
    end
end

figure;
imshow(segmentedImage);
title('聚类颜色增强分割结果');

%% 显示每个聚类区域（二值显示）
figure;
for i = 1:k
    subplot(1,k,i);
    imshow(labelMap == i);
    title(['聚类区域 ', num2str(i)]);
end

%% 高级可视化：叠加边界到原图
boundaries = zeros(rows, cols);
for i = 1:k
    mask = labelMap == i;
    boundaries = boundaries + edge(mask, 'canny');
end

figure;
imshow(imoverlay(originalImage, boundaries, [1 0 0])); % 红色显示边界
title('带分割边界的原图');

3.2 图割（Graph Cut）

复制代码

rgb_img = imread('苹果.png');
lab_img = rgb2lab(rgb_img);  % 转为Lab色彩空间提升聚类效果
% 使用Image Processing Toolbox的graphcut函数
mask = false(size(rgb_img,1), size(rgb_img,2));
mask(50:end-50, 50:end-50) = true;  % 粗略定义前景区域

L = superpixels(rgb_img, 500);       % 生成超像素
BW = lazysnapping(rgb_img, L, mask, ~mask);  % 图割优化

figure;
imshowpair(rgb_img, BW, 'blend'), title('图割分割结果');

4. 分割方法对比与选型指南

方法	优点	缺点	适用场景
阈值分割	计算快、易于实现	依赖对比度，难以处理复杂纹理	文档扫描、简单目标提取
边缘检测	精准边界定位	易受噪声干扰，需后处理	工业零件尺寸测量
区域生长	适合均匀区域	依赖种子点选择，速度慢	医学肿瘤分割
K-means聚类	无需先验知识	色彩空间敏感，可能过分割	自然图像颜色分割
图割	全局优化，精度高	计算资源消耗大	交互式图像编辑