计算机视觉图像分割入门：阈值、区域生长与分水岭算法详解

摘要

计算机视觉中的图像分割是将图像划分为多个有意义的区域的过程，是目标检测、识别等任务的基础。本文将围绕三种经典算法——阈值分割、区域生长和分水岭算法展开，详细阐述其原理、实现步骤、优缺点及适用场景，帮助开发者快速掌握图像分割的核心技术。

一、图像分割概述

图像分割是计算机视觉的核心任务之一，其目标是将图像划分为若干个互不重叠的区域，每个区域内的像素具有相似的属性（如灰度、颜色、纹理等）。分割结果直接影响后续任务（如目标检测、分类）的准确性。常见的分割方法可分为基于阈值、基于边缘、基于区域和基于物理模型四大类。本文重点介绍前三种中的经典算法。

二、阈值分割算法

1. 原理与分类

阈值分割通过设定一个或多个灰度阈值，将图像像素分为前景和背景两类。根据阈值数量可分为：

• 全局阈值法：对整个图像使用单一阈值（如Otsu算法）。
• 局部阈值法：根据像素邻域动态计算阈值（如Sauvola算法）。
• 多阈值法：使用多个阈值划分多个类别。

2. Otsu算法详解

Otsu算法通过最大化类间方差自动确定最佳全局阈值，步骤如下：

1. 计算图像的灰度直方图。
2. 遍历所有可能的阈值 ( t )，将像素分为两类 ( C_0 )（灰度≤( t )）和 ( C_1 )（灰度>( t )）。
3. 计算类间方差：
   [
   \sigma^2(t) = w_0(t)w_1(t)[\mu_0(t)-\mu_1(t)]^2
   ]
   其中 ( w_0, w_1 ) 为两类权重，( \mu_0, \mu_1 ) 为两类均值。
4. 选择使 ( \sigma^2(t) ) 最大的 ( t ) 作为最优阈值。

3. 代码实现（Python+OpenCV）

import cv2
import numpy as np
def otsu_threshold(image_path):
    img = cv2.imread(image_path, 0)  # 读取为灰度图
    _, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    cv2.imshow('Otsu Threshold', thresh)
    cv2.waitKey(0)
otsu_threshold('input.jpg')

4. 优缺点与适用场景

• 优点：计算简单、速度快，适用于光照均匀的图像。
• 缺点：对噪声敏感，无法处理多模态分布（如光照不均）。
• 适用场景：文档二值化、简单物体分割。

三、区域生长算法

1. 原理与步骤

区域生长从种子点出发，根据相似性准则（如灰度差、颜色距离）将邻域像素合并到同一区域，直到无法继续扩展。步骤如下：

1. 选择种子点（手动或自动）。
2. 定义相似性准则（如灰度差≤( T )）。
3. 将满足准则的邻域像素加入区域。
4. 重复步骤3，直到无新像素加入。

2. 代码实现（Python）

def region_growing(img, seed, threshold):
    rows, cols = img.shape
    region = np.zeros_like(img)
    region[seed[0], seed[1]] = 255  # 标记种子点
    stack = [seed]
    while stack:
        x, y = stack.pop()
        for dx, dy in [(-1,0), (1,0), (0,-1), (0,1)]:  # 4邻域
            nx, ny = x + dx, y + dy
            if 0 <= nx < rows and 0 <= ny < cols:
                if region[nx, ny] == 0 and abs(int(img[nx, ny]) - int(img[x, y])) <= threshold:
                    region[nx, ny] = 255
                    stack.append((nx, ny))
    return region
# 示例调用（需预处理图像并选择种子点）

3. 优缺点与适用场景

• 优点：能保留局部细节，适用于纹理均匀的区域。
• 缺点：对种子点依赖强，易受噪声影响。
• 适用场景：医学图像分割（如肿瘤区域提取）。

四、分水岭算法

1. 原理与类比

分水岭算法模拟地理学中的分水岭形成过程：

• 将图像视为地形图，灰度值代表高度。
• 局部极小值点为“水源”，水流沿梯度下降方向汇聚形成“集水盆”。
• 集水盆边界即为分割线（分水岭）。

2. 实现步骤

1. 计算梯度幅值（如Sobel算子）以突出边缘。
2. 标记前景（如使用阈值或区域生长结果）和背景（如形态学膨胀）。

3. 应用分水岭算法：

   import cv2
   from skimage.segmentation import watershed
   from skimage.feature import peak_local_max
   def watershed_segment(image_path):
       img = cv2.imread(image_path)
       gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
       ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
       # 去除噪声
       kernel = np.ones((3,3), np.uint8)
       opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)
       # 确定背景区域
       sure_bg = cv2.dilate(opening, kernel, iterations=3)
       # 确定前景区域
       dist_transform = cv2.distanceTransform(opening, cv2.DIST_L2, 5)
       ret, sure_fg = cv2.threshold(dist_transform, 0.7*dist_transform.max(), 255, 0)
       # 找到未知区域
       sure_fg = np.uint8(sure_fg)
       unknown = cv2.subtract(sure_bg, sure_fg)
       # 标记连通区域
       ret, markers = cv2.connectedComponents(sure_fg)
       markers = markers + 1
       markers[unknown == 255] = 0
       # 应用分水岭
       markers = watershed(img, markers)
       img[markers == -1] = [255, 0, 0]  # 标记边界为红色
       cv2.imshow('Watershed', img)
       cv2.waitKey(0)
   watershed_segment('input.jpg')

3. 优缺点与适用场景

• 优点：能分割复杂重叠对象，保留边缘细节。
• 缺点：易受噪声影响，导致过度分割。
• 适用场景：细胞分割、重叠物体分离。

五、算法对比与选择建议

算法	计算复杂度	抗噪性	适用场景
阈值分割	低	差	简单、光照均匀图像
区域生长	中	中	纹理均匀区域
分水岭算法	高	差	复杂边缘、重叠对象

选择建议：

1. 优先尝试阈值分割（如Otsu）处理简单场景。
2. 对局部均匀区域使用区域生长。
3. 对复杂边缘或重叠对象，结合形态学预处理后使用分水岭算法。

六、总结与展望

本文系统介绍了阈值分割、区域生长和分水岭算法的原理、实现及适用场景。开发者可根据实际需求选择合适方法，或结合多种算法（如先用阈值初始化区域生长种子）提升分割效果。未来，随着深度学习的发展，基于CNN的分割方法（如U-Net）将进一步推动该领域进步，但传统算法在轻量级、可解释性场景中仍具有重要价值。