传统图像分割：阈值 / 区域生长 / 分水岭 / 图割全解析【计算机视觉】

Sagittarius_A*2026-03-28 17:05

传统图像分割：阈值 / 区域生长 / 分水岭 / 图割全解析【计算机视觉】

传统图像分割（Traditional Image Segmentation）

传统图像分割是计算机视觉领域中最基础、最经典的像素级划分任务，核心解决"将图像按照灰度、纹理、空间结构等特征自动分离为前景与背景、目标与区域"的问题，不依赖深度学习，完全基于数学规则与图像拓扑结构实现分割，是医学影像、工业检测、目标提取、图像分析等场景的经典技术支撑。

注意：本文所有代码均可导入Jupyter Notebook

完整代码仓库地址：🔗 GitHub：https://github.com/KnifeWen007/CV---StudyNotebook

Ⅰ、引言

在计算机视觉任务中，图像分割处于"从图像到目标"的关键环节------它不像滤波只做预处理，也不像特征检测只寻找关键点，而是直接对图像进行区域划分，让机器理解"哪里是目标、哪里是背景"。在深度学习普及之前，传统分割方法凭借可解释性强、运算速度快、无需数据集等优势，长期占据图像处理的核心地位。

传统图像分割的四大经典技术------阈值分割、区域生长、分水岭分割、图割分割，分别从灰度聚类、区域连通、地形模拟、图论优化四个角度实现分割，覆盖从简单到复杂、从快速到高精度的全场景需求，共同构成了传统视觉分割最完整、最经典的技术体系。本文将系统讲解四大算法的原理、优缺点、适用场景与代码实现，帮助你彻底掌握传统图像分割的核心思想。

Ⅱ、阈值分割（Threshold Segmentation）------ 基于灰度的基础分割方法

一、核心思想

阈值分割是最简单、最高效的传统图像分割算法，核心是通过选取一个或多个灰度阈值，将图像像素划分为不同类别，仅依靠像素灰度差异实现前景与背景分离，无需复杂迭代与拓扑计算，是灰度差异明显场景的首选分割方案。

二、数学原理

（1）基础定义

灰度图像像素灰度值 x ∈ [ 0 , 255 ] x \in [0,255] x∈[0,255]，设定分割阈值 T T T，对所有像素执行二值化判决：
g ( x ) = { 255 ( 前景 ) , x > T 0 ( 背景 ) , x ≤ T g(x) = \begin{cases} 255 \quad (前景), & x > T \\ 0 \quad (背景), & x \le T \end{cases} g(x)={255(前景),0(背景),x>Tx≤T

解释：像素灰度大于阈值 T 判定为前景（白色255），小于等于 T 判定为背景（黑色0）。

多阈值分割（ T 1 < T 2 < ⋯ < T k − 1 T_1<T_2<\dots<T_{k-1} T1<T2<⋯<Tk−1）：
g ( x ) = { 0 , x < T 1 L 1 , T 1 ≤ x < T 2 ⋮ L n , x ≥ T k − 1 g(x) = \begin{cases} 0, & x<T_1 \\ L_1, & T_1\le x<T_2 \\ \vdots \\ L_n, & x\ge T_{k-1} \end{cases} g(x)=⎩ ⎨ ⎧0,L1,⋮Ln,x<T1T1≤x<T2x≥Tk−1

解释：使用多个阈值将灰度值分为多个区间，不同区间赋予不同灰度等级。

（2）最优阈值算法（Otsu 最大类间方差法）

Otsu 算法无需人工设定阈值，通过最大化前景与背景的类间方差自动求解最优阈值 T ∗ T^* T∗。

  1. 基础参数
    总像素数 N N N，灰度级 0 ∼ L − 1 0 \sim L-1 0∼L−1，灰度 i i i 出现概率 p i = n i N p_i = \frac{n_i}{N} pi=Nni，满足 ∑ i = 0 L − 1 p i = 1 \sum_{i=0}^{L-1} p_i = 1 i=0∑L−1pi=1

解释：p_i 表示某一灰度值的出现概率，所有灰度概率之和为 1。

  1. 类别划分
    以阈值 T T T 将像素分为两类：
    C 0 C_0 C0（背景）： 0 ∼ T 0 \sim T 0∼T； C 1 C_1 C1（前景）： T + 1 ∼ L − 1 T+1 \sim L-1 T+1∼L−1

解释：阈值 T 将像素划分为背景（低灰度）与前景（高灰度）两类。

  1. 核心公式
    类别概率：
    ω 0 ( T ) = ∑ i = 0 T p i , ω 1 ( T ) = 1 − ω 0 ( T ) \omega_0(T) = \sum_{i=0}^{T} p_i, \quad \omega_1(T) = 1-\omega_0(T) ω0(T)=i=0∑Tpi,ω1(T)=1−ω0(T)

解释：ω0 是背景像素占比，ω1 是前景像素占比，两者之和为 1。

类别均值：
μ 0 = 1 ω 0 ∑ i = 0 T i p i , μ 1 = 1 ω 1 ∑ i = T + 1 L − 1 i p i \mu_0 = \frac{1}{\omega_0}\sum_{i=0}^T i p_i,\quad \mu_1 = \frac{1}{\omega_1}\sum_{i=T+1}^{L-1} i p_i μ0=ω01i=0∑Tipi,μ1=ω11i=T+1∑L−1ipi

解释：μ0 为背景平均灰度，μ1 为前景平均灰度。

全局均值： μ = ω 0 μ 0 + ω 1 μ 1 \mu = \omega_0\mu_0 + \omega_1\mu_1 μ=ω0μ0+ω1μ1

解释：整张图像所有像素的平均灰度。

类间方差：
σ b 2 ( T ) = ω 0 ω 1 ( μ 0 − μ 1 ) 2 \sigma_b^2(T) = \omega_0\omega_1(\mu_0-\mu_1)^2 σb2(T)=ω0ω1(μ0−μ1)2

解释：类间方差越大，说明前景与背景区分越明显，分割效果越好。

  1. 最优阈值
    T ∗ = arg ⁡ max ⁡ 0 < T < L − 1 σ b 2 ( T ) T^* = \arg\max_{0<T<L-1} \sigma_b^2(T) T∗=arg0<T<L−1maxσb2(T)

解释：遍历所有可能阈值，选出使类间方差最大的阈值 T*，即为最佳分割阈值。

三、代码实现

python 复制代码 
import cv2
import numpy as np
import matplotlib.pyplot as plt

# 绘图显示设置
plt.rcParams["font.family"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False
%matplotlib inline

# 读取车牌图像
img = cv2.imread("car_plate.jpg")

if img is not None:
    # 灰度化处理
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # 高斯模糊去噪
    blur = cv2.GaussianBlur(gray, (3, 3), 0)

    # 自动阈值二值化
    ret, thresh = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

    # 形态学闭运算，填充字符间隙
    kernel = np.ones((2, 2), np.uint8)
    th_clean = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)

    # 查找图像轮廓
    contours, hierarchy = cv2.findContours(th_clean, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

    char_list = []
    h_img, w_img = th_clean.shape

    # 筛选符合字符尺寸的轮廓
    for cnt in contours:
        x, y, w, h = cv2.boundingRect(cnt)
        if 0.2 * h_img < h < 0.9 * h_img and 0.1 < w/h < 1.2 and w < 0.2 * w_img:
            # 去重判断
            is_duplicate = False
            for (cx, cy, cw, ch) in char_list:
                if abs(x - cx) < 5 and abs(y - cy) < 5:
                    is_duplicate = True
                    break
            if not is_duplicate:
                char_list.append((x, y, w, h))

    # 按从左到右排序
    char_list = sorted(char_list, key=lambda ch: ch[0])

    print("分割字符数：", len(char_list))

    # 横向显示分割结果
    if len(char_list) > 0:
        plt.figure(figsize=(len(char_list)*1.8, 2.5))
        for i, (x, y, w, h) in enumerate(char_list):
            char_img = th_clean[y:y+h, x:x+w]
            char_img = cv2.resize(char_img, (40, 60))

            plt.subplot(1, len(char_list), i+1)
            plt.imshow(char_img, cmap="gray")
            plt.axis("off")

        plt.tight_layout()
        plt.show()
else:
    print("图片读取失败")

核心函数

python 复制代码 
ret, thresh = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
项目 内容
作用 将灰度图转为黑白二值图，自动计算最优阈值，分离前景与背景
参数 blur：输入灰度图像 0：启用自动计算阈值 255：前景像素设为白色 cv2.THRESH_BINARY：二值化方式 cv2.THRESH_OTSU：自动求最佳阈值
返回值 ret：计算出的最优阈值 thresh：二值化后的黑白图像

四、算法特点

  • 优点：计算速度极快、逻辑简单、可解释性强、无参数依赖（Otsu）
  • 缺点：仅依赖灰度信息，对光照敏感、无法处理灰度重叠的复杂图像
  • 适用场景：灰度对比度高、背景单一的图像（工业零件检测、文档二值化、简单目标提取）

Ⅲ、区域生长（Region Growing）------ 基于连通性的图像分割方法

一、核心思想

区域生长是一种基于区域连通性 的图像分割算法，从预先选定的种子点 出发，按照设定的相似性准则，将周围灰度、纹理等特征相近的像素不断合并到当前区域，最终形成完整的目标分割区域。

二、数学原理

（1）相似性判断公式

区域生长依据灰度相似性 实现像素合并。设种子点为 S ( x 0 , y 0 ) S(x_0,y_0) S(x0,y0)，当前生长区域为 R R R，区域平均灰度为 μ R \mu_R μR，邻域待判断像素为 p ( x , y ) p(x,y) p(x,y)，其灰度为 I ( x , y ) I(x,y) I(x,y)，相似度阈值为 T T T。

像素合并规则为：
∣ I ( x , y ) − μ R ∣ ≤ T |I(x,y) - \mu_R| \le T ∣I(x,y)−μR∣≤T

I ( x , y ) I(x,y) I(x,y)：待合并像素的灰度值
μ R \mu_R μR：当前生长区域所有像素的平均灰度值
T T T：灰度相似阈值（人工设定）

满足条件则将该像素归入区域 R R R，并更新区域平均灰度。

（2）区域更新规则

每加入一个新像素，区域平均灰度重新计算：
μ R ′ = μ R × N + I ( x , y ) N + 1 \mu_R' = \frac{\mu_R \times N + I(x,y)}{N+1} μR′=N+1μR×N+I(x,y)

N N N：区域生长前的像素总数
μ R ′ \mu_R' μR′：加入新像素后的区域平均灰度
I ( x , y ) I(x,y) I(x,y)：新加入像素的灰度值

（3）停止条件

当种子点的连通邻域内不存在满足相似条件的像素 时，生长终止，数学表达为：
∄ p ( x , y ) ∉ R 满足 ∣ I ( x , y ) − μ R ∣ ≤ T \nexists \ p(x,y) \notin R \quad \text{满足} \quad |I(x,y) - \mu_R| \le T ∄ p(x,y)∈/R满足∣I(x,y)−μR∣≤T

解释：所有外围像素与当前区域的灰度差都超过阈值，无法继续合并，区域生长结束。

三、算法步骤

python 复制代码 
import cv2
import numpy as np
import matplotlib.pyplot as plt

plt.rcParams["font.family"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False
%matplotlib inline

# 区域生长算法
def region_growing(img, seed, threshold=10):
    h, w = img.shape
    result = np.zeros_like(img)
    stack = [seed]
    result[seed] = 255
    mean_val = float(img[seed])

    neighbors = [(-1,-1),(-1,0),(-1,1),
                 (0,-1),         (0,1),
                 (1,-1), (1,0),(1,1)]

    count = 1
    while stack:
        x, y = stack.pop()
        for dx, dy in neighbors:
            nx, ny = x + dx, y + dy
            if 0 <= nx < h and 0 <= ny < w:
                if result[nx, ny] == 0:
                    if abs(int(img[nx, ny]) - mean_val) <= threshold:
                        result[nx, ny] = 255
                        stack.append((nx, ny))
                        mean_val = (mean_val * count + img[nx, ny]) / (count + 1)
                        count += 1
    return result

# ===================== 主程序 =====================
img = cv2.imread("brain_ct.jpg", 0)
seed = (320, 350)  # 病灶中心点

# 三种阈值效果
res1 = region_growing(img, seed, threshold=3)   # 太小 → 几乎不长
res2 = region_growing(img, seed, threshold=15)  # 正好 → 完美分割
res3 = region_growing(img, seed, threshold=40)  # 太大 → 长过头

# 画图对比
plt.figure(figsize=(16, 10))

plt.subplot(2, 2, 1)
plt.imshow(img, cmap="gray")
plt.title("脑部CT原图")

plt.subplot(2, 2, 2)
plt.imshow(res1, cmap="gray")
plt.title("阈值太小（分割失败）")

plt.subplot(2, 2, 3)
plt.imshow(res2, cmap="gray")
plt.title("阈值合适（分割成功）")

plt.subplot(2, 2, 4)
plt.imshow(res3, cmap="gray")
plt.title("阈值太大（过度生长）")

plt.show()

函数讲解

python 复制代码 
def region_growing(img, seed, threshold=10)

入参

img：输入的灰度图像

seed：种子点（生长起始坐标）

threshold：灰度相似阈值

核心逻辑

以种子点为起点，检查8 邻域像素，满足灰度差值≤阈值就标记为目标，持续扩散直至无符合条件的像素。

关键语句

边界判断：0 <= nx < h and 0 <= ny < w

生长规则：abs(int(img[nx, ny]) - mean_val) <= threshold

流程

  1. 选择种子点作为生长起点
  2. 设定相似性规则 与连通规则（4/8邻域）
  3. 遍历邻域像素，满足条件则加入生长区域
  4. 重复迭代直至无法继续扩展
  5. 输出最终分割区域

四、算法特点

  • 优点：原理直观、连通目标分割效果好、可控制生长范围
  • 缺点：依赖种子点、对噪声与阈值敏感、效率较低

Ⅳ、分水岭分割（Watershed）------ 基于拓扑结构的图像分割方法

一、核心思想

分水岭分割是一种基于图像拓扑形态 的分割算法，将图像灰度值看作地形高度，灰度低的区域视为山谷，灰度高的区域视为山脊。算法从预先标记的种子区域 开始注水，水位逐渐上升，不同区域的水相遇时形成分水岭（边界） ，最终实现粘连目标、复杂区域、多目标的精准分割。

二、数学原理

（1）地形模型

将灰度图像 I ( x , y ) I(x,y) I(x,y) 视为三维拓扑地形 ，灰度值 I I I 对应地形海拔高度。

灰度越低 → 地势越低（山谷）

灰度越高 → 地势越高（山脊）

（2）局部极小值与注水原理

分水岭算法从图像中的局部极小值点 开始模拟"注水"过程。

设极小值区域为 L i L_i Li，随着水位 h h h 逐渐升高，不同山谷的积水区域不断扩张。

当不同区域的水面相遇时，形成分隔坝 ，即分水岭边界。

（3）距离变换公式（核心标记依据）

用于提取可靠前景种子，避免过分割：
D ( x , y ) = min ⁡ ( x 0 , y 0 ) ∈ 背景 ( x − x 0 ) 2 + ( y − y 0 ) 2 D(x,y) = \min_{(x_0,y_0) \in \text{背景}} \sqrt{(x-x_0)^2 + (y-y_0)^2} D(x,y)=(x0,y0)∈背景min(x−x0)2+(y−y0)2

D ( x , y ) D(x,y) D(x,y)：当前像素到最近背景点的欧氏距离

距离越大 → 越靠近目标中心 → 越可靠作为前景标记

（4）标记生成规则

设最大距离为 max ⁡ ( D ) \max(D) max(D)，取比例系数 α \alpha α（如 0.1），则：
sure_fg ( x , y ) = { 255 , D ( x , y ) ≥ α ⋅ max ⁡ ( D ) 0 , 其他 \text{sure\_fg}(x,y) = \begin{cases} 255, & D(x,y) \ge \alpha \cdot \max(D) \\ 0, & \text{其他} \end{cases} sure_fg(x,y)={255,0,D(x,y)≥α⋅max(D)其他

（5）分水岭分割数学表达

设输入图像为 I I I，输出分割区域为 R 1 , R 2 , . . . , R n R_1,R_2,...,R_n R1,R2,...,Rn，边界为 B B B：
watershed ( I ) = { R 1 , ( x , y ) ∈ 目标区域1 R 2 , ( x , y ) ∈ 目标区域2 ⋮ R n , ( x , y ) ∈ 目标区域n B , ( x , y ) ∈ 分水岭边界 \text{watershed}(I) = \begin{cases} R_1, & (x,y) \in \text{目标区域1} \\ R_2, & (x,y) \in \text{目标区域2} \\ \vdots & \\ R_n, & (x,y) \in \text{目标区域n} \\ B, & (x,y) \in \text{分水岭边界} \end{cases} watershed(I)=⎩ ⎨ ⎧R1,R2,⋮Rn,B,(x,y)∈目标区域1(x,y)∈目标区域2(x,y)∈目标区域n(x,y)∈分水岭边界

算法输出中，边界统一标记为 -1。

（6）过分割抑制原理

通过确定前景 + 确定背景 构建强制标记：
KaTeX parse error: Expected 'EOF', got '_' at position 29: ...n} = \text{sure_̲bg} - \text{sur...

未知区域不参与初始标记，让算法仅在可信区域间生成边界，大幅减少过分割。

三、算法步骤

python 复制代码 
import cv2
import numpy as np
import matplotlib.pyplot as plt

# 支持中文显示
plt.rcParams["font.family"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

# 读取图像（换成你的图片路径）
img = cv2.imread("kodim01.png")
img_copy = img.copy()
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# --------------------- 分水岭核心步骤 ---------------------
# 1. 二值化（Otsu自动阈值）
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 2. 形态学操作：去噪
kernel = np.ones((3, 3), np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)

# 3. 确定背景
sure_bg = cv2.dilate(opening, kernel, iterations=3)

# 4. 距离变换 → 确定前景
dist_transform = cv2.distanceTransform(opening, cv2.DIST_L2, 5)
ret, sure_fg = cv2.threshold(dist_transform, 0.1 * dist_transform.max(), 255, 0)

# 5. 制作标记
sure_fg = np.uint8(sure_fg)
unknown = cv2.subtract(sure_bg, sure_fg)

ret, markers = cv2.connectedComponents(sure_fg)
markers += 1
markers[unknown == 255] = 0

# 6. 分水岭算法
markers = cv2.watershed(img_copy, markers)

# 7. 画出分割线（红色）
img_copy[markers == -1] = [0, 0, 255]

# --------------------- 显示结果 ---------------------
plt.figure(figsize=(16, 8))

plt.subplot(131)
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.title("原图")

plt.subplot(132)
plt.imshow(markers, cmap="jet")
plt.title("标记图")

plt.subplot(133)
plt.imshow(cv2.cvtColor(img_copy, cv2.COLOR_BGR2RGB))
plt.title("分水岭分割结果")

plt.tight_layout()
plt.show()

关键函数讲解

python 复制代码 
cv2.watershed(img_copy, markers)

  1. 入参
    img_copy：执行分水岭的彩色图像，用于绘制分割边界
    markers：自定义标记图像（未知区域=0，确定背景=1，确定前景≥2）

  2. 核心逻辑

    基于前期二值化、形态学操作、距离变换生成的可靠标记，

    在图像中自动识别区域分界，生成分水岭分割线，

    实现房屋、建筑等目标的区域分割。

  3. 关键规则

    算法执行后，分水岭边界会被标记为 -1

    通过img_copy[markers == -1] = [0, 0, 255]将分割线标为红色

    标记质量直接决定分割效果，是分水岭算法的核心

四、算法特点

  • 优点 ：可分割粘连、重叠、复杂结构；分割精度高；OpenCV内置函数，速度快
  • 缺点 ：极度依赖标记；无标记易过分割；对噪声敏感

Ⅴ、图割分割（Graph Cut）------ 基于能量最小化的图像分割方法

一、核心思想

图割分割是一种基于图论与能量最小化 的图像分割算法。

将图像抽象为网络图结构 ：像素作为节点，相邻像素间的相似度作为边权，同时构建前景（目标）、背景（非目标）两个终端节点。
算法通过最小化全局能量函数，寻找最优割集，将图像划分为目标与背景两类区域。

二、数学原理

（1）网络流模型

将图像映射为无向图 G = ( V , E ) G=(V,E) G=(V,E)：

  • V V V：节点集合（所有像素 + 前景源点 S S S + 背景汇点 T T T）
  • E E E：边缘集合（相邻像素连接、像素与 S / T S/T S/T 连接）
（2）能量函数定义（核心）

算法最小化全局能量函数 E ( A ) E(A) E(A)，由区域项 E r e g i o n E_{region} Eregion 和平滑项 E s m o o t h E_{smooth} Esmooth 组成：
E ( A ) = E r e g i o n ( A ) + λ ⋅ E s m o o t h ( A ) E(A) = E_{region}(A) + \lambda \cdot E_{smooth}(A) E(A)=Eregion(A)+λ⋅Esmooth(A)

  • E r e g i o n ( A ) E_{region}(A) Eregion(A)：区域项，衡量像素属于前景/背景的概率
  • λ \lambda λ：平滑系数，控制区域连续性权重
  • E s m o o t h ( A ) E_{smooth}(A) Esmooth(A)：平滑项，保证相邻像素分割结果一致
（3）最小割/最大流原理

最优分割等价于最小割（Min Cut） ，即切断最少权重的边，使 S S S、 T T T 不连通。

根据最大流最小割定理，通过求解最大流得到最小割，完成分割。

（4）分割判定规则

G r a p h C u t ( I ) = { 1 , 像素属于前景目标 0 , 像素属于背景区域 GraphCut(I)= \begin{cases} 1, & \text{像素属于前景目标} \\ 0, & \text{像素属于背景区域} \end{cases} GraphCut(I)={1,0,像素属于前景目标像素属于背景区域

三、算法步骤

python 复制代码 
import cv2
import numpy as np
import matplotlib.pyplot as plt

plt.rcParams["font.family"] = ["SimHei"]
plt.rcParams["axes.unicode_minus"] = False

# 读取图像（和.ipynb同目录，文件名完全一致）
img = cv2.imread("kodim20.png")

img_copy = img.copy()
h, w = img.shape[:2]

# 初始化掩模（必须创建）
mask = np.zeros(img.shape[:2], np.uint8)

# 定义前景背景模型（内部使用，固定格式）
bgdModel = np.zeros((1, 65), np.float64)
fgdModel = np.zeros((1, 65), np.float64)

# 手动框选目标区域（根据图像内容调整，示例为居中框选）
rect = (50, 50, w - 100, h - 100)

# 执行图割分割（GrabCut 基于图割实现）
cv2.grabCut(img, mask, rect, bgdModel, fgdModel, 5, cv2.GC_INIT_WITH_RECT)

# 生成分割结果
mask2 = np.where((mask == 2) | (mask == 0), 0, 1).astype("uint8")
result = img * mask2[:, :, np.newaxis]

# 结果可视化
plt.figure(figsize=(12, 6))
plt.subplot(121), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title("原图")
plt.subplot(122), plt.imshow(cv2.cvtColor(result, cv2.COLOR_BGR2RGB)), plt.title("图割分割结果")
plt.show()

关键函数讲解（图割 GrabCut）

python 复制代码 
  cv2.grabCut(img, mask, rect, bgdModel, fgdModel, iterCount, mode)

  1. 输入参数

    • img：输入的彩色原图
    • mask：掩模图像，标记前景、背景、可能前景、可能背景
    • rect：用矩形框住想要分割的目标（x, y, width, height）
    • bgdModel：背景模型（内部计算使用，固定格式）
    • fgdModel：前景模型（内部计算使用，固定格式）
    • iterCount：算法迭代次数（一般设 3~5）
    • mode：初始化模式，使用矩形框初始化：cv2.GC_INIT_WITH_RECT

  2. 核心功能

    基于图割理论 ，自动学习前景（房屋）和背景的颜色特征，

    通过能量最小化实现精准前景提取，把目标从背景中分离出来。

  3. 执行效果

    算法会自动更新 mask：

    • 0 = 确定背景
    • 1 = 确定前景
    • 2 = 可能背景
    • 3 = 可能前景
      最后通过掩模将背景置黑，只保留房屋主体。

四、算法特点

  • 优点 ：分割精度高、抗噪声强、适合复杂背景与不规则目标
    对房屋、卫星图、人像等目标分割效果优异
  • 缺点 ：需要手动初始化矩形框/标记，无法全自动分割
    复杂图像计算速度较慢

Ⅵ、总结

本文系统梳理了阈值分割、区域生长、分水岭分割、图割分割四大经典传统图像分割算法，从核心思想、数学原理、代码实现到算法特性进行了完整解析，四种算法各具优势与适用场景，共同构成了传统图像分割的核心技术体系，具体对比与总结如下：

四大传统图像分割算法对比表

算法类型 核心思想 核心优势 主要缺点 适用场景
阈值分割 基于像素灰度差异，通过阈值将图像二值化，分离前景与背景 运算速度极快、逻辑简单、可解释性强，Otsu算法无需手动调参 仅依赖灰度信息，对光照敏感，无法处理灰度重叠的复杂图像 灰度对比度高、背景单一的场景（文档二值化、工业零件检测、简单目标提取）
区域生长 从种子点出发，依据灰度相似性准则，合并相邻相似像素形成目标区域 原理直观、连通目标分割效果好，可手动控制生长范围 依赖种子点选择，对噪声与阈值敏感，运算效率较低 目标结构明确、连通性好的图像（医学影像病灶分割、单一连通目标提取）
分水岭分割 将图像视为三维地形，通过模拟注水过程，构建分水岭边界实现区域分割 擅长分割粘连、重叠目标，分割精度高，OpenCV内置函数易实现 极度依赖前景/背景标记，无标记易出现过分割，对噪声敏感 多目标、粘连目标、复杂拓扑结构的图像（建筑分割、密集目标划分）
图割分割 将图像抽象为网络图，通过最小化能量函数、求解最大流实现前景与背景分离 分割精度高、抗噪声强，边缘平滑，适合复杂背景下的目标提取 需要手动初始化矩形框/标记，无法全自动分割，复杂图像运算速度较慢 复杂背景、不规则目标的前景提取（房屋分割、人像抠图、卫星图目标提取）

综上，传统图像分割算法无需依赖数据集训练，具有可解释性强、运算效率高、部署成本低的优势，尽管在复杂场景下的表现不及深度学习分割方法，但在工业检测、医学影像初筛、简单目标提取等实际工程场景中，仍具有不可替代的应用价值。在实际应用中，可根据图像特征、目标类型与任务需求，选择合适的分割算法，或结合多种算法的优势实现更精准的分割效果。

上一章

霍夫变换：几何特征检测与量化验证【计算机视觉】https://blog.csdn.net/R_Feynman_/article/details/158855945

相关推荐
猫咪老师2 小时前
Day4 Python的函数和参数机制
后端·python
Fleshy数模2 小时前
ResNet 残差网络：迁移学习实现食物分类实战
人工智能·深度学习·残差网络·卷积神经网络
AI品信智慧数智人2 小时前
以科技为载体，以文化为核心，以游客为中心
人工智能
瑞和数智2 小时前
案例分享 | 瑞和数智助力某农商行打造标签管理平台
大数据·人工智能·科技·金融
科技前瞻观察2 小时前
技术自主、量产突围、产业链协同：宇树科技、优艾智合领衔具身智能TOP20领跑全球
大数据·人工智能·科技
前端不太难2 小时前
OpenClaw：AI 权限治理的核心问题
人工智能·状态模式
hans汉斯2 小时前
《人工智能与机器人研究》期刊推介&征稿指南
人工智能·机器人
电商API&Tina2 小时前
比价 / 选品专用：京东 + 淘宝 核心接口实战（可直接复制运行）
大数据·数据库·人工智能·python·json·音视频
love530love2 小时前
Windows 开源项目部署评估与决策清单（完整版）
人工智能·windows·python·开源·github
热门推荐
012026年3月AI领域大事件：DeepSeek引领开源风暴02GitHub 镜像站点03围棋-html版本04小黑课堂计算机二级WPSoffice题库软件下载安装教程（2026年3月最新版）05班级宠物园部署指南06【计算机一级WPSoffice】小黑课堂题库软件下载安装教程（2026年3月最新版）07UV安装并设置国内源08Qwen3.5 开源全解析：从 0.8B 到 397B，代际升级 + 全场景选型指南09OpenClaw 使用和管理 MCP 完全指南10中国象棋-html版本