传统图像分割方法：阈值分割、Canny检测

传统图像分割方法

它利用图像中要提取的目标与背景在灰度上的差异，通过设置阈值来把像素分成若干类，从而实现目标与背景的分离。阈值分割有以下几种方法：（1）固定阈值分割（2）迭代阈值分割（3）大津法OTSU（4）自适应阈值分割

将灰度值大于某一阈值的像素点设置为255，而小于等于该阈值的点设置为0。函数说明：函数threshold()可以将灰度图像转换为二值图像，图像完全由像素0和255构成呈现出只有黑白两色的视觉效果。经过二值化处理后的图像（Fix Iamge），仅包含黑白像素，用于分离目标与背景。

当图像存在光照不均匀时，全局固定阈值无法适应不同区域的亮度变化。例如，同一物体在明亮区域和阴影区域的灰度值差异较大，使用单一阈值可能导致部分区域过分割（误将背景划为前景）或欠分割（未能完全提取目标）。

边缘检测算法（如Canny、Sobel）通过梯度变化识别目标边界，而边缘通常对光照变化具有鲁棒性。结合边缘信息，可以约束阈值分割的范围，例如：仅在边缘附近进行局部阈值调整，避免全局阈值受光照不均的影响。通过边缘位置确定感兴趣区域（ROI），减少背景干扰。

边缘检测的目的就是找到图像中亮度变化剧烈的像素点构成的集合，表现出来往往是轮廓。如果图像中边缘能够精确的测量和定位，就意味着实际的物体能够被定位和测量，包括物体的面积、物体的直径、物体的形状等就能被测量。

Canny边缘检测在一阶微分算子的基础上，增加了非最大值抑制和双阈值两项改进。利用非极大值抑制不仅可以有效地抑制多响应边缘，而且还可以提高边缘的定位精度；利用双阈值可以有效减少边缘的漏检率。

Canny边缘检测主要分四步进行：去噪声、计算梯度与方向角、非最大值抑制、滞后阈值化。

其中前两步，先用一个高斯滤波器对图像进行滤波，然后用Sobel水平和竖直检测子与图像卷积，来计算梯度和方向角。

第三步：非极大值抑制是一个关键步骤，目的是细化边缘，消除梯度方向上的非最大值，只保留最强的边缘像素。

（1）二值化效果：边缘为白色（255），背景为黑色（0），形成高对比度的黑白图像。边缘线条单像素宽，清晰且连续

（2）输入是一张人脸照片，Canny检测后会将轮廓（如眼睛、鼻子、嘴唇）、头发边缘等转换为白色细线，其余区域为黑色。

由于噪声的影响，经常会在本应该连续的边缘出现断裂的问题。滞后阈值化的目的是通过双阈值策略解决以下问题：

（1）筛选真实边缘：排除噪声引起的伪边缘。

（2）连接断裂边缘：确保弱边缘在合理范围内被保留，提升边缘连续性。

（3）平衡灵敏度与鲁棒性：避免单一阈值导致的过分割（保留过多噪声）或欠分割（丢失真实边缘）。

具体实现步骤（1）设定双阈值：

高阈值：用于直接标记强边缘（确信为真实边缘的像素）。

低阈值：用于标记弱边缘（可能是真实边缘的候选像素）。

（2）分类处理像素：

强边缘：直接保留为最终边缘。弱边缘：仅当与强边缘连通时保留。非边缘：直接舍弃。

边缘跟踪：从强边缘出发，沿梯度方向搜索相邻的弱边缘，若弱边缘与强边缘连通，则将其提升为强边缘。