OpenCV(四十二)：图像分割原理

什么是图像分割？

图像分割（Image Segmentation）是计算机视觉中的基础问题，其目标是将一幅图像划分为若干具有语义一致性或视觉一致性 的区域，使同一区域内像素在灰度、颜色、纹理或空间特征上具有较强相似性，而不同区域之间存在明显差异。

在 OpenCV 中，图像分割通常作为目标检测、目标识别、视频分析、医学图像处理、工业视觉等任务的前置步骤。

从本质上看，图像分割是一个像素级分类问题：为图像中每一个像素分配一个类别标签。由于真实场景复杂、光照变化大、噪声干扰多，分割往往是一个不适定问题，因此 OpenCV 提供了多种基于不同假设的分割方法。

基于阈值的图像分割

1. 全局阈值分割

阈值分割是最简单、最常用的分割方法，其核心思想是：

根据像素灰度值是否大于某一阈值，将图像划分为前景和背景。

数学表达式为：

在 OpenCV 中通过 cv::threshold() 实现，常见类型包括：

• THRESH_BINARY
• THRESH_BINARY_INV
• THRESH_TRUNC
• THRESH_TOZERO

该方法计算简单、速度快，但对光照变化敏感，不适用于背景复杂或灰度分布重叠的场景。

2. Otsu 自适应阈值（大津法）

Otsu 算法是一种经典的全局自适应阈值选择方法 ，其基本思想是：

选择一个阈值，使前景与背景的类间方差最大。

OpenCV 中通过：

threshold(src, dst, 0, 255, THRESH_BINARY | THRESH_OTSU);

Otsu 方法适用于直方图呈双峰分布的图像，在文档扫描、简单工业检测中效果良好，但仍然是全局阈值方法，对局部变化不敏感。

3. 自适应阈值分割

为解决光照不均问题，自适应阈值根据局部邻域计算阈值：

• ADAPTIVE_THRESH_MEAN_C
• ADAPTIVE_THRESH_GAUSSIAN_C

其原理是对每个像素，根据周围窗口的均值或加权均值动态计算阈值。

该方法适合文字识别、复杂背景下的前景提取，但计算复杂度较高。

基于区域的图像分割

1. 区域生长法

区域生长法从一个或多个种子点出发，根据相似性准则（灰度差、颜色距离）不断合并相邻像素，形成区域。

其基本步骤：

1. 选取种子点
2. 计算相邻像素与区域的相似度
3. 满足条件则合并
4. 重复直到不再生长

该方法对噪声敏感，种子点选择对结果影响较大，但分割结果具有较好的连通性。

2. 分裂与合并

分裂与合并方法基于四叉树思想：

• 当区域不满足一致性条件时进行分裂
• 相邻区域满足条件时进行合并

其优点是结构清晰，适合规则图像，但对复杂自然场景适应性较差。

基于边缘的图像分割

边缘分割的核心思想是：
区域之间的边界通常对应图像中灰度或颜色变化剧烈的位置。

1. 边缘检测算子

OpenCV 提供了多种边缘检测算子：

• Sobel
• Scharr
• Laplacian
• Canny

其中 Canny 算法应用最广，主要包括：

1. 高斯滤波去噪
2. 计算梯度幅值和方向
3. 非极大值抑制
4. 双阈值连接边缘

边缘检测结果往往是不闭合的轮廓，通常需要结合形态学操作或轮廓提取才能完成区域分割。

基于聚类的图像分割

1. K-means 聚类分割

K-means 将像素视为特征向量（如 RGB、HSV），通过最小化类内距离完成聚类：

OpenCV 中通过 cv::kmeans() 实现。

其优点是实现简单、效果直观；缺点是需要预先指定 K 值，且对初始中心敏感。

2. MeanShift 分割

MeanShift 是一种基于密度估计的非参数聚类方法，OpenCV 提供 pyrMeanShiftFiltering() 接口。

该方法能够较好地保持边缘信息，适合彩色图像分割，但计算量较大，不适合实时场景。

基于图论的分割方法

1. 图割（Graph Cut）

图割方法将图像建模为图结构：

• 像素为节点
• 像素间相似度为边权
• 分割问题转化为最小割问题

OpenCV 中的 grabCut() 是图割思想的经典实现，结合前景/背景模型进行迭代优化。

GrabCut 在交互式前景提取中应用广泛，分割效果好，但需要用户提供初始区域。

2. 分水岭算法（Watershed）

分水岭将灰度图视为地形图：

• 灰度低 → 山谷
• 灰度高 → 山峰

通过模拟"注水"过程形成分割边界。

OpenCV 的 watershed() 常与距离变换、形态学操作结合使用。

分水岭容易产生过分割，通常需要标记控制分水岭来改善结果。

总结

OpenCV 图像分割方法涵盖了从传统图像处理到经典优化理论的多种思路：

• 阈值法：简单高效，适合规则场景
• 边缘法：强调轮廓信息，需后处理
• 区域法：注重区域一致性
• 聚类法：适合颜色分割
• 图论法：效果好但计算复杂