目標分割將感興趣的區域從影象中分離並提取出來，也可看做基元檢測的一種推廣。兩類方法可用於目標分割：

• 基於目標輪廓
  考慮目標與影象中 其他部分的界限，如果能確定目標輪廓，就可將目標與影象的其他部分分割開。在這種方法中，除了檢測出輪廓點再連線起來，還可以邊檢測輪廓點邊連線。
• 基於目標區域
  考慮所有屬於目標區域的畫素，如果能確定出每個屬於目標的畫素就可以獲得完整的目標。通常是假設構成目標區域的畫素的灰度值大於某個特定的閾值，確定這個閾值把目標區分開。

基本閾值技術

一、原理和分類

閾值分割模型：假設影象由具有單峰灰度分佈的目標和背景，在目標和背景內部的相鄰畫素間的灰度值是高度相關的，但在目標和背景的交界處兩邊的畫素在灰度值上有很大的差別。

對一幅灰度取值在gmin和gmax的影象確定一個灰度閾值T(gmin<T<gmax)，將影象中的每個畫素灰度值都與閾值比較：大於閾值的被歸為一類，小於閾值的被歸為另一類；由此區分出不同的區域。
如果影象中有多個灰度值不同的區域，可以選擇一系列的閾值以便使每個畫素分到合適的類別中去。多個閾值分割稱為多閾值技術，單個閾值分割稱為單閾值技術。

二、全域性閾值選取

影象的灰度直方圖可以反映出影象的性質。如果選取雙峰直方圖之間的谷所對應的灰度值作為閾值可將目標和背景分開。

谷的選擇方法不同，得到的閾值也不同，下面有3種穀選取方法。

• 極小值點閾值

  如果將直方圖的包絡看成一條曲線，則選取直方圖的谷可藉助求曲線極小值的方法（即曲線求導數）。和極小值點對應的灰度值就可作分割閾值。稱為極小值點閾值。

• 最優閾值

• 最大凸殘差閾值

  含有目標和背景兩類區域的影象的直方圖並不一定總是呈現雙峰形式，特別是當影象中目標和背景面積相差較大時，直方圖的一個峰會淹沒在另一個峰旁邊的緩坡裡，直方圖基本成為單峰形式。
  通過對直方圖凹度的分析，可以選擇一個閾值來分割影象。

根據圖中凸殘差值最大的位置計算出最大凸殘差閾值分割影象。

三、區域性閾值選取

如果影象受到噪聲的影響，那麼影象的直方圖的峰谷可能並不明顯，那麼通過峰谷確定分割閾值不太準確。為解決這種問題，除了利用畫素自身性質外，還可以利用一些畫素鄰域的區域性性質。

• 直方圖變換

  基本思想：利用畫素鄰域的區域性性質對影象的直方圖進行變換以得到一個新的直方圖。這裡常用的一個區域性性質是該畫素的剃度值。（可藉助梯度運算元用於畫素鄰域得到）

  

看上圖。

(b)是影象的邊緣的剖面圖。剖面圖被分為三部分，I，II，III。剖面的灰度直方圖如圖(a)所示（橫軸：灰度統計值，三段點畫線分別是邊緣剖面中3部分各自的統計值，實線為它們的和）。對(b)的邊緣求梯度得到(d)，可見對應目標和背景的梯度值較小，而對應目標和背景過渡區的梯度值較大。統計梯度值分佈得到(c)，梯度直方圖。（橫軸：梯度統計值），梯度直方圖的兩個峰分別對應目標和背景的內部以及它們之間的過渡區。變換的直方圖就是根據這些特點得到的，一般分為兩類：(1)、具有低梯度值畫素值的直方圖；(2)、具有高梯度值畫素的直方圖。

(1)、具有低梯度值畫素值的直方圖

目標和背景內部的畫素值具有較低的梯度值，而邊界具有較高的梯度值。如果設法獲得僅具有較低梯度值畫素的直方圖，那麼這個新的直方圖對應目標和背景內部點的峰應該與原直方圖類似，但因為減少了邊界點，谷應該更深。

還可以計算加權直方圖。例如，一個畫素點的梯度值為g，加權值為1/(1+g)2。這樣的話梯度值越小，權值越大，內部點權值大，邊界點權值小。效果大概如下(a)圖。（虛線：原本直方圖，實線：加權直方圖）

(2)、具有高梯度值畫素的直方圖

這種情況只需要獲得高梯度值畫素的直方圖。這個直方圖在對應目標和背景的邊界畫素灰度級有一個峰。如上圖(b)（虛線：原直方圖，實線：新直方圖）。這個峰由邊界畫素組成，對應這個峰的灰度值就可選作分割用的閾值（原來兩峰之間的谷現在變成了峰）。

同樣的也可以採用加權直方圖。高梯度值具有較大權值。

• 灰度-梯度散射圖

灰度-梯度散射圖：一個軸是灰度值，一個軸是梯度值，而統計是同時具有某一個灰度值和梯度值的畫素個數。

下圖中(b)是(a)灰度-梯度散射圖，其中色越淺表示滿足條件的點越多。散射圖中一般會有兩個接近灰度值軸（低梯度值）但沿灰度值軸方向又相互分開一些的大聚類，它們分別對應目標和背景內部的畫素。這兩個聚類的形狀與這些畫素的相關程度有關。如果相關性很強，或者梯度運算元對噪聲不敏感，這些聚類會很集中並且很接近灰度值軸（內部畫素梯度較小）；反之，這些聚類會比較遠離灰度值軸。散射圖中還會有較少的對應目標和背景邊界上畫素的點。這些點的位置沿灰度值軸看是處於前兩個聚類的中間，但由於梯度值較大而與灰度值軸又有一定的距離。

根據以上分析，在散射圖上同時考慮灰度值和梯度值將聚類分開就可以得到分割結果。

• 

  4. 動態閾值選取
  如果影象各處光照不同或對比度不同，則全域性閾值的分割效果可能並不理想，因此需要根據畫素的座標相關的一系列閾值來對影象各部分分別進行分割。這種與座標相關的閾值叫做動態閾值，或變化閾值法。
  使用動態閾值的方法步驟如下：

• 將一幅影象分為一系列互相之間有一定重疊(如50%)的子影象；

• 做出每個子圖的直方圖
• 檢測各個子圖的直方圖是否為雙峰，如果是，則採取前面介紹的最優閾值法，確定一個閾值，否則就不進行處理
• 以對直方圖為雙峰的子影象選取的閾值為基礎，通過插值得到所有子圖想的閾值
• 通過各子影象的閾值再通過插值得到所有畫素的閾值，然後對影象進行分割。

參考

計算機視覺教程 A Course of Computer Vision 章毓晉編著