图像分割的分类

    5.2　图像分割的分类

    早期的图像分割方法可以分为两大类。一类是边界方法，这种方法假设图像分割结果的某个子区域在原来图像中一定会有边缘存在;另一类是区域方法，这种方法假设图像分割结果的某个子区域一定会有相同的性质，而不同区域的像素则没有共同的性质。这两种方法都有优点和缺点，有的学者考虑把两者结合起来进行研究。现在，随着计算机处理能力的提高，很多方法不断涌现，如基于彩色分量分割、纹理图像分割。所使用的数学工具和分析手段也是不断地扩展，从时域信号到频域信号处理、小波变换等。

    根据应用目的不同，分为粗分割和细分割:对于模式识别应用，一个物体对象内部的细节与颜色(或灰度)渐变应被忽略，而且一个物体对象只应被表示为一个或少数几个分割区域，即粗分割;而对于基于区域或对象的图像压缩与编码，其分割的目的是为了得到色彩信息一致的区域，以利于高效的区域编码。若同一区域内含有大量变化细节，则难以编码，图像需要细分割，即需要捕捉图像的细微变化。

    根据分割方法的不同，可分为并行边界分割(边缘检测)、串行边界分割(边缘跟踪)、并行区域分割(阈值分割、聚类)、串行区域分割(区域生长、分裂合并)。

    根据分割对象的属性，可被分为灰度图像分割和彩色图像分割。

    根据分割对象的状态，可被分为静态图像分割和动态图像分割。

    根据分割对象的应用领域，可分为医学图像分割、工业图像分割、安全图像分割、军事图像分割、交通图像分割等。

    本书主要讨论四种技术:并行边界分割技术、串行边界分割技术、并行区域分割技术和串行区域分割技术。