第10章图像分割 整体等于其部分之和 欧几里得 整体大于其部分之和 -Max Wertheimer 引言 从前一章的资料开始了一个转变，即从输入和输出都是图像的图像处理方法，转到了输入为图 像而输出为从这些图像中提取出来的属性的图像处理方法（在1.1节中的定义的意义上）。分制是这一 方向的另一个主要步骤。 分将图像细分为构成它的子区域或物体。细分的程度取决于要解决的向题。也就是说。在应 用中，当感兴趣的物体或区域已经被检则出来时，就停止分割。例如，在电子元件的自动检测中，我 们关注的是分析产品的图像，客观地确定是否存在特定的异常现象，如丢失元件或断裂的连线。超过 识别这些元素所需细节的分割是没有意义的 异常图像的分割是图像处理中最困难的任务之一。分割的精度决定着计算分析过程最终的成败。 因此，应该对改进准确分割的可能性给予相当的关注。在某些情形下，比如在工业检测的应用中，至 少对环境某些范围的典型控制还是可能的。有经验的图像处理系统设计师总是非常关注这种机会。在 其他应用中，比如自主目标获取，系统设计者无法控制操作环境，常用方法是将注意力集中于传感器 类型的选择上，在减少图像无关细节的影响的同时，很可能增强感兴趣物体。一个很好的例子是军方 使用红外线成像来检测有着较强热特性的物体，如运动中的装备和部队。 本章中的多数分割算法均基于灰度值的两个基本性质之一：不连续性和相似性。在第一类中， 方法是以灰度突变为基础分割一幅图像，比如图像的边缘。在第二类中，主要方法是根据一组预定义 的准则将一幅图像分割为相似的区域。阂值处理、区域生长、区域分 裂和区域聚合都是这类方法的例子。在本章中，我们将讨论和说明这 F多个灰度亮度)值的分制技术 些方法，并说明综合运用不同种类的方法可以改善分割的性能，例如。 的计枪，见67节和103节 边缘检测就结合了阀值处理的技术。我们还将讨论基于形态学的图像分割。这种方法特别有吸引力， 因为它基于本章第一部分给出的技术，结合了分制的一些值得肯定的属性。 最后，我们将以分割中运 动线索运用的简单讨论结束本章。 10.1基础知识 令R表示一幅图像占据的整个空间区域我们可以将图像分割视为把R分为n个子区域R.R,… R的过程，满足 712