图像分割将图像划分为具有特定意义的子区域，是目标检测、医学影像分析、自动驾驶等领域的核心预处理步骤。本文讲解阈值分割、边缘检测、区域生长、聚类分割、基于图的方法等经典与前沿技术，提供MATLAB代码实现。
目录
1. 图像分割基础
2. 经典分割方法详解
2.1 阈值分割
原理：
MATLAB实现：
2.2 边缘检测分割
原理：
2.3 区域生长与分裂合并
算法步骤：
4. 分割方法对比与选型指南
1. 图像分割基础
- 定义：根据像素的灰度、纹理、颜色或语义特征，将图像划分为互不重叠的区域。
- 核心目标：
- 精确分离目标与背景
- 保留目标的几何与语义完整性
2. 经典分割方法详解
2.1 阈值分割
原理：
- 通过设定灰度阈值划分前景与背景，适用于高对比度场景。
- OTSU算法：自动计算最大类间方差的阈值。
MATLAB实现：
img = imread('coins.png');
% 手动阈值分割
thresh = 0.6; % 阈值设为0.6（归一化后）
binary_manual = imbinarize(img, thresh);
% OTSU自动阈值
thresh_otsu = graythresh(img);
binary_otsu = imbinarize(img, thresh_otsu);
figure;
subplot(131), imshow(img), title('原图');
subplot(132), imshow(binary_manual), title('手动阈值');
subplot(133), imshow(binary_otsu), title('OTSU分割');
2.2 边缘检测分割
原理：
- 基于梯度、二阶导数或零交叉检测目标轮廓（如Canny、Sobel算法）。
% Canny边缘检测
edge_canny = edge(img, 'Canny', [0.1 0.25], 1.5);
% 形态学后处理连接断裂边缘
se = strel('disk', 2);
closed_edge = imclose(edge_canny, se);
filled_edge = imfill(closed_edge, 'holes');
figure;
subplot(131), imshow(edge_canny), title('Canny边缘');
subplot(132), imshow(closed_edge), title('闭运算连接');
subplot(133), imshow(filled_edge), title('填充孔洞');
2.3 区域生长与分裂合并
算法步骤：
- 区域生长：从种子点出发，按相似性准则合并相邻像素。
- 分裂合并：递归地将图像分裂为子块，合并相似区块。
% 初始化生长区域
segmented = false(size(img));
segmented(seed_point(1), seed_point(2)) = true;
mean_val = img(seed_point(1), seed_point(2));
% 迭代生长
for iter = 1:1000
neighbor_mask = imdilate(segmented, strel('disk',1)) & ~segmented;
neighbors = find(neighbor_mask);
if isempty(neighbors), break; end
neighbor_vals = img(neighbors);
valid = abs(neighbor_vals - mean_val) < threshold;
segmented(neighbors(valid)) = true;
mean_val = mean(img(segmented));
end
figure;
imshowpair(img, segmented, 'blend'), title('区域生长结果');
3. 聚类与图论分割方法
3.1 K-means聚类分割
clc;
clear;
close all;
% 读取图像
originalImage = imread('苹果.png'); % 使用MATLAB自带图像
figure;
imshow(originalImage);
title('原始图像');
%% 预处理
img = im2double(originalImage); % 转换为双精度并归一化
[rows, cols, channels] = size(img);
% 转换为像素特征向量（每个像素的RGB值作为特征）
pixelFeatures = reshape(img, rows*cols, channels); % 尺寸变为[M*N, 3]
%% K均值聚类
k = 2; % 设置聚类数量
[clusterIdx, centroids] = kmeans(pixelFeatures, k, ...
'Distance', 'sqeuclidean', ... % 平方欧氏距离
'Replicates', 5, ... % 重复聚类5次取最佳
'MaxIter', 100); % 最大迭代次数
%% 后处理与可视化
% 将聚类结果重塑回图像尺寸
labelMap = reshape(clusterIdx, rows, cols);
% 创建颜色标记的分割图像
segmentedImage = zeros(rows, cols, channels);
for i = 1:k
% 为每个聚类区域赋予对应的中心颜色
mask = labelMap == i;
for ch = 1:channels
colorLayer = img(:,:,ch);
segmentedImage(:,:,ch) = segmentedImage(:,:,ch) + ...
colorLayer .* mask;
end
end
figure;
imshow(segmentedImage);
title('聚类颜色增强分割结果');
%% 显示每个聚类区域（二值显示）
figure;
for i = 1:k
subplot(1,k,i);
imshow(labelMap == i);
title(['聚类区域 ', num2str(i)]);
end
%% 高级可视化：叠加边界到原图
boundaries = zeros(rows, cols);
for i = 1:k
mask = labelMap == i;
boundaries = boundaries + edge(mask, 'canny');
end
figure;
imshow(imoverlay(originalImage, boundaries, [1 0 0])); % 红色显示边界
title('带分割边界的原图');
3.2 图割（Graph Cut）
rgb_img = imread('苹果.png');
lab_img = rgb2lab(rgb_img); % 转为Lab色彩空间提升聚类效果
% 使用Image Processing Toolbox的graphcut函数
mask = false(size(rgb_img,1), size(rgb_img,2));
mask(50:end-50, 50:end-50) = true; % 粗略定义前景区域
L = superpixels(rgb_img, 500); % 生成超像素
BW = lazysnapping(rgb_img, L, mask, ~mask); % 图割优化
figure;
imshowpair(rgb_img, BW, 'blend'), title('图割分割结果');
4. 分割方法对比与选型指南
| 方法 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 阈值分割 | 计算快、易于实现 | 依赖对比度，难以处理复杂纹理 | 文档扫描、简单目标提取 |
| 边缘检测 | 精准边界定位 | 易受噪声干扰，需后处理 | 工业零件尺寸测量 |
| 区域生长 | 适合均匀区域 | 依赖种子点选择，速度慢 | 医学肿瘤分割 |
| K-means聚类 | 无需先验知识 | 色彩空间敏感，可能过分割 | 自然图像颜色分割 |
| 图割 | 全局优化，精度高 | 计算资源消耗大 | 交互式图像编辑 |
