MATLAB 图像处理实例详解(六)—图像分割技术

引言

图像分割是计算机视觉和图像处理中的核心任务，旨在将图像划分为多个具有相似特征的子区域，为后续的目标识别、特征提取和图像分析提供基础。MATLAB凭借其强大的工具箱和简洁的语法，成为图像分割研究的首选平台。本文将系统介绍MATLAB中常用的图像分割技术，包括阈值分割、边缘检测、区域生长和分水岭算法，并结合实例代码和效果对比，帮助读者深入理解其原理与应用。

一、阈值分割：基础而高效的分割方法

阈值分割是最简单且应用最广泛的图像分割技术之一，其核心思想是通过设定一个或多个阈值，将图像像素分为前景和背景两类。MATLAB提供了多种阈值分割函数，如imbinarize、graythresh和multithresh。

1. 全局阈值分割

全局阈值分割适用于光照均匀的图像，通过graythresh函数自动计算最佳阈值，再使用imbinarize进行二值化。

% 读取图像
I = imread('coins.png');
% 转换为灰度图像
if size(I, 3) == 3
    I_gray = rgb2gray(I);
else
    I_gray = I;
end
% 计算全局阈值
level = graythresh(I_gray);
% 二值化
BW = imbinarize(I_gray, level);
% 显示结果
figure;
subplot(1,2,1); imshow(I_gray); title('原始图像');
subplot(1,2,2); imshow(BW); title('全局阈值分割结果');

效果分析：全局阈值分割对光照均匀的图像效果较好，但在光照不均或背景复杂的场景下容易产生误分割。

2. 多阈值分割

对于多目标图像，全局阈值可能无法满足需求。MATLAB的multithresh函数支持多阈值分割，通过设定多个阈值将图像划分为多个区域。

% 计算多阈值
thresh = multithresh(I_gray, 2); % 两个阈值，划分为三个区域
% 多级阈值分割
seg_I = imquantize(I_gray, thresh);
% 显示结果
figure;
imshow(seg_I, []); title('多阈值分割结果');

应用场景：多阈值分割适用于医学图像、卫星图像等多目标场景，能够更精细地划分不同区域。

二、边缘检测：基于梯度的分割方法

边缘检测通过识别图像中灰度或颜色突变的区域来分割图像，常用的边缘检测算子包括Sobel、Prewitt和Canny。MATLAB的edge函数集成了这些算子。

1. Canny边缘检测

Canny边缘检测因其良好的抗噪性和边缘定位能力而被广泛使用。

% Canny边缘检测
BW_canny = edge(I_gray, 'canny');
% 显示结果
figure;
imshow(BW_canny); title('Canny边缘检测结果');

参数调整：Canny算子的阈值和标准差对结果影响显著，可通过edge(I_gray, 'canny', [low_thresh high_thresh], sigma)调整。

2. Sobel与Prewitt算子

Sobel和Prewitt算子计算简单，但对噪声敏感，适用于边缘明显的图像。

% Sobel边缘检测
BW_sobel = edge(I_gray, 'sobel');
% Prewitt边缘检测
BW_prewitt = edge(I_gray, 'prewitt');
% 显示结果对比
figure;
subplot(1,3,1); imshow(BW_canny); title('Canny');
subplot(1,3,2); imshow(BW_sobel); title('Sobel');
subplot(1,3,3); imshow(BW_prewitt); title('Prewitt');

效果对比：Canny算子边缘更连续，Sobel和Prewitt算子可能产生断裂边缘。

三、区域生长：基于相似性的分割方法

区域生长从种子点出发，根据像素的相似性（如灰度、颜色或纹理）逐步合并相邻像素，形成分割区域。MATLAB的regiongrowing函数（需自定义或从File Exchange获取）可实现此功能。

1. 自定义区域生长算法

% 自定义区域生长函数（示例）
function J = region_growing(I, seed, threshold)
    [rows, cols] = size(I);
    J = zeros(rows, cols);
    queue = seed;
    J(seed(1), seed(2)) = 1;
    while ~isempty(queue)
        [x, y] = deal(queue(1,1), queue(1,2));
        queue(1,:) = [];
        for dx = -1:1
            for dy = -1:1
                nx = x + dx; ny = y + dy;
                if nx >= 1 && nx <= rows && ny >= 1 && ny <= cols && J(nx, ny) == 0
                    if abs(I(nx, ny) - I(x, y)) <= threshold
                        J(nx, ny) = 1;
                        queue = [queue; nx, ny];
                    end
                end
            end
        end
    end
end
% 使用示例
I_double = im2double(I_gray);
seed = [100, 100]; % 种子点坐标
threshold = 0.1; % 相似性阈值
BW_rg = region_growing(I_double, seed, threshold);
% 显示结果
figure;
imshow(BW_rg); title('区域生长分割结果');

关键参数：种子点的选择和相似性阈值对结果影响显著，需根据图像特性调整。

四、分水岭算法：基于拓扑理论的分割方法

分水岭算法模拟地形淹没过程，将图像视为地形表面，通过寻找“分水岭”实现分割。MATLAB的watershed函数可直接实现。

1. 分水岭算法实现

% 计算梯度幅值
hy = fspecial('sobel');
hx = hy';
Iy = imfilter(double(I_gray), hy, 'replicate');
Ix = imfilter(double(I_gray), hx, 'replicate');
gradmag = sqrt(Ix.^2 + Iy.^2);
% 标记前景和背景
L = watershed(gradmag);
Lrgb = label2rgb(L, 'jet', 'w', 'shuffle');
% 显示结果
figure;
imshow(Lrgb); title('分水岭分割结果');

问题与改进：分水岭算法易产生过度分割，可通过标记控制（Marker-Controlled Watershed）改进。

% 标记控制分水岭
se = strel('disk', 20);
Ie = imerode(I_gray, se);
Iobr = imreconstruct(Ie, I_gray);
Iobrd = imdilate(Iobr, se);
Iobrcbr = imreconstruct(imcomplement(Iobrd), imcomplement(Iobr));
Iobrcbr = imcomplement(Iobrcbr);
fgm = imregionalmax(Iobrcbr);
BW = imbinarize(Iobrcbr);
D = bwdist(BW);
DL = watershed(D);
fgm2 = fgm & (DL == 0);
L = watershed(gradmag, fgm2);
Lrgb = label2rgb(L, 'jet', 'w', 'shuffle');
% 显示改进结果
figure;
imshow(Lrgb); title('标记控制分水岭分割结果');

五、综合应用与建议

1. 分割方法选择指南

• 光照均匀图像：优先选择全局阈值分割。
• 多目标图像：使用多阈值分割或区域生长。
• 边缘明显图像：采用Canny边缘检测。
• 复杂背景图像：结合分水岭算法与标记控制。

2. 性能优化技巧

• 预处理：使用高斯滤波或中值滤波减少噪声。
• 后处理：通过形态学操作（如开闭运算）优化分割结果。
• 并行计算：对大图像使用parfor加速处理。

结论

MATLAB提供了丰富的图像分割工具，从基础的阈值分割到高级的分水岭算法，覆盖了不同场景的需求。通过理解各方法的原理和参数调整技巧，读者可以高效地解决实际图像处理问题。未来，随着深度学习的发展，基于神经网络的分割方法（如U-Net）将成为研究热点，MATLAB的Deep Learning Toolbox也提供了相关支持。