文章目录
基于区域的分割
从区域的边界构造区域以及检测存在的区域的边界是容易做到的。然而， 由基于边缘的方法产生的分割 和由区域增长方法得到分割， 通常并不总是相同的，将其结果结合起来很可能对它们二者都有提升。区域增长技术在有噪声的图像中 」般会更好些，其中的边界非常难以检测。
一致性是区域的一个重要性质，在区域增氏中用作主要的分割准则，它的基本思想是将图像划分为最大一致性的分区。一致性准则可以是基于灰度、彩色、 纹理、形状、模型（使用语义信息）等的标准。
最简单一致性准则使用区域的平均灰度、 区域的彩色性质、简单的纹理性质，或多光谱图像平均灰度值的m维向量。
1. 区域归并
最自然的区域增长方法是在原始图像数据上开始增长，每个像素表示一个区域。
该算法表示f区域归月二分割的一般方法。特殊的算法区别于初始分割的定义和归并标准。
2. 区域分裂
区域分裂与区域归并相反一一它从将整个图像表示为单个区域开始。
3. 分裂与归并
分裂和归并的结合可以产生兼有而这有点的一种新方法。
4. 分水岭分割
分水岭（watershed） 和集水盆地（ catchment basins） 的概念在地形学中是人所共知的。分水岭线分开了每个集水盆地。
分水岭变换可以在数学形态学的背景下进行描述。但不幸的是，在没有特殊硬件的情况下，基于数学形态学的分水岭变换计算量很火且十分耗时。
5. 区域增长后处理
使用区域增长方法分割后的图像，时常由于参数设置的非最优性造成的结果，不是含有太多的区域（欠增长）就是含有过少的区域（过增长）。
匹配
匹配是分割的一种基本方法，可以给出图像中已知物体的位置，也可以搜索特殊的模式等。匹配存在的问题遍及人工智能领域，特别是计算机视觉。
- 最简单的情况，在合理对齐的文本扫描图中用搜索用己知二值模式表示的特定字体的字符这就是模版匹配， 应用于OCR。
- 更一般的情况，字体无关的OCR 要求识别未知字体和大小的字符，这些字符还有可能有扭曲一一这要求匹配字符的模式。
- 仍然是更一般的情况，人脸识别要求在三维场景中的一幅图像中匹配人脸模式：姿态、配准、尺度、胡须、眼睛，颜色信息都将全部未知。
- 最为抽象的情况，可能需要在一个视频序列中匹配一个行人， 而且我们需要找到个体的行为来匹配某种己知的模型一一行人是否穿过马路？排队等待？行为可疑？
1. 模板匹配
在一幅图像中定位一个己知物体的最简单方法就是搜索它的像素级的完美拷贝。
2. 模板匹配的控制策略
由于已知物体很少情况下会在一幅图像中以“像素级完美”的出现，因此它的组件——可能会非常小——常常会发挥作用。
基于模版的分割即使是在没有几何变换的场合也是费时的，但是通常可以加快该处理。
分割的评测问题
分割评测引发了两个问题：
- 我们如何确定什么是“正确”的分割？如何用来比较分割结果和真实结果？
- 用什么来衡量？如何衡量？
1. 监督式评测
监督式评测假设“正确”的结果己知——通常情况下这意味若对真值的定义，比如可以通过合适的交互界面画出正确的图像边界。
相互重叠区域
也称为Dice评测，该方法是以计算真值（ground truth）和分别区域的重叠部分为基础。
边界定位错误
2. 非监督式评测
获得真值的困难在T真不精确的定义，信息缺乏和时间消耗， 这些原因使得非监督式的评测方法非常吸引人： 这些通过对图像及分割的特性进行统计获得的定量性质不需要知道真值。