计算机视觉图像分割入门：阈值、区域生长与分水岭算法

引言

计算机视觉作为人工智能的重要分支，致力于让机器“看懂”世界。图像分割作为计算机视觉的核心任务之一，旨在将图像划分为多个具有相似属性的区域，为后续的目标识别、场景理解等任务奠定基础。本文将围绕三种经典图像分割算法——阈值分割、区域生长与分水岭算法展开，详细阐述其原理、实现及应用场景，为初学者提供系统化的入门指导。

一、阈值分割算法：简单高效的入门之选

1.1 算法原理

阈值分割基于图像灰度值的分布特性，通过设定一个或多个阈值，将图像划分为前景和背景两类区域。其核心思想在于：若像素灰度值大于阈值，则归为前景；否则归为背景。数学表达式为：
[
g(x,y) =
\begin{cases}
1 & \text{if } f(x,y) > T \
0 & \text{otherwise}
\end{cases}
]
其中，(f(x,y))为原始图像，(g(x,y))为分割结果，(T)为阈值。

1.2 阈值选择方法

• 全局阈值法：适用于光照均匀的图像，常用方法包括Otsu算法（最大类间方差法）和迭代阈值法。
  • Otsu算法：通过最大化前景与背景的类间方差自动确定最佳阈值，适用于双峰直方图的图像。
  • 迭代阈值法：通过迭代计算图像均值作为阈值，逐步逼近最优解。
• 局部阈值法：适用于光照不均的图像，如Niblack算法，通过计算局部窗口内的均值和标准差动态调整阈值。

1.3 代码实现（Python + OpenCV）

import cv2
import numpy as np
def otsu_threshold(image_path):
    # 读取图像并转为灰度图
    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    # Otsu阈值分割
    ret, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    # 显示结果
    cv2.imshow('Otsu Threshold', thresh)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
# 调用示例
otsu_threshold('input.jpg')

1.4 应用场景与优缺点

• 优点：计算简单、速度快，适用于实时性要求高的场景。
• 缺点：对噪声敏感，无法处理复杂场景（如多目标、重叠区域）。
• 典型应用：文档扫描、工业质检中的简单目标分割。

二、区域生长算法：基于相似性的局部扩展

2.1 算法原理

区域生长从种子点出发，根据预设的相似性准则（如灰度值、纹理、颜色等）将相邻像素合并到同一区域，直至无法继续扩展。其核心步骤包括：

1. 选择种子点（手动或自动）。
2. 定义相似性准则（如灰度差阈值）。
3. 递归合并满足条件的相邻像素。

2.2 关键参数设计

• 种子点选择：可通过手动标记或基于图像特征（如边缘、角点）自动提取。
• 相似性准则：常用灰度差阈值，也可结合纹理特征（如LBP算子）。
• 停止条件：区域大小超过阈值或无新像素满足条件。

2.3 代码实现（Python + NumPy）

import numpy as np
from skimage.segmentation import flood
def region_growing(image, seed, threshold):
    # 初始化标记图像
    marked = np.zeros_like(image, dtype=bool)
    # 区域生长
    flood(image, seed, connectivity=1, tolerance=threshold, inplace=marked)
    return marked
# 示例：对合成图像进行区域生长
image = np.random.randint(0, 256, (100, 100), dtype=np.uint8)
seed = (50, 50)  # 种子点坐标
threshold = 10   # 灰度差阈值
segmented = region_growing(image, seed, threshold)

2.4 应用场景与优缺点

• 优点：能处理复杂形状的目标，对噪声不敏感。
• 缺点：种子点选择影响结果，计算复杂度较高。
• 典型应用：医学图像分割（如肿瘤区域提取）、自然场景中的物体分割。

三、分水岭算法：基于拓扑理论的形态学分割

3.1 算法原理

分水岭算法将图像视为地形图，灰度值代表高度。算法模拟浸水过程：

1. 在局部极小值处打孔。
2. 水位上升，相邻极小值的区域在分水岭处相遇。
3. 分水岭线即为分割边界。

3.2 实现步骤

1. 梯度计算：常用Sobel算子计算图像梯度，突出边缘。
2. 标记提取：通过距离变换或阈值化获取前景和背景标记。
3. 分水岭分割：应用形态学分水岭算法。

3.3 代码实现（Python + OpenCV）

import cv2
import numpy as np
from skimage.morphology import watershed
from scipy import ndimage
def watershed_segmentation(image_path):
    # 读取图像并转为灰度图
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 计算梯度
    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
    # 应用分水岭算法
    markers = watershed(-dist_transform, markers, mask=img)
    img[markers == -1] = [255, 0, 0]  # 标记边界为红色
    return img
# 调用示例
result = watershed_segmentation('input.jpg')
cv2.imshow('Watershed', result)
cv2.waitKey(0)

3.4 应用场景与优缺点

• 优点：能分割相互接触的物体，适用于复杂场景。
• 缺点：对噪声和初始标记敏感，易产生过分割。
• 典型应用：细胞分割、自然场景中的多目标分割。

四、算法对比与选型建议

算法	计算复杂度	适用场景	抗噪性
阈值分割	低	简单背景、光照均匀	差
区域生长	中	复杂形状、局部相似性高	中
分水岭算法	高	相互接触的物体、复杂拓扑结构	差

选型建议：

• 实时性要求高且场景简单时，优先选择阈值分割。
• 目标形状复杂但数量较少时，适用区域生长。
• 需分割相互接触的物体时，分水岭算法更优，但需结合预处理（如去噪、标记优化）。

五、总结与展望

本文系统介绍了计算机视觉图像分割领域的三种经典算法：阈值分割、区域生长与分水岭算法。阈值分割以简单高效著称，适用于基础场景；区域生长通过局部扩展处理复杂形状；分水岭算法则能分割相互接触的物体。未来，随着深度学习的发展，基于CNN的分割方法（如U-Net）已成为主流，但传统算法在计算资源受限或数据量较小时仍具有实用价值。初学者可结合OpenCV等工具库，从实践入手逐步掌握图像分割的核心技术。