引言
图像分割是指根据灰度、空间几何、纹理等特征将图像划分成互不相交且有意义的子区域，增强在同一个区域的像素点所具有的相关性，以及不同区域的像素点存在的差异性，其本质就是对图像中具有相同性质的像素进行相同标注，目的是提出图像中自己所需和感兴趣的部分。用数学角度来理解图像分割就是：用S代表整个图像的区域，要对整个图像进行分割，就是把S分成若干个非空且联通的子集，即{,,…,}，使=,=()，且存在逻辑谓词判断区域的一致性，满足P为真，P为假，这样更容易理解[1]。图像分割在现代科技的应用非常广泛，但是由于实际应用的需求不同，所以仍然需要我们对各种分割方法进行研究。
1图像分割方法与分析
图像分割技术发展至今方法已达上千种，但是在选择图像分割算法的时候，要取决于图像的分布特征以及其他的影响因素，所以使用不同的图像分割方法就会产生不同的效果，以下将根据每种图像分割算法的理论基础和特点进行介绍和分析。
1.1基于边缘检测的图像分割方法
边缘检测法就是每个区域的边缘通常是图像中灰度值，或者是图像结构突然发生强烈的变化的地方，这个边缘也是两个不同区域的边界[2]。边缘检测方法通常是对图像进行平滑滤波的处理后使用一些微分算子将小模块和图像进行卷积来实现，通常使用的算子有：Sobel算子[3]、Roberts算子[4]、Canny算子[5]、Prewitt算子等。
但是这些算子可能对检测的抗噪性能有些影响，所以使用边缘检测的图像分割方法时仍然要权衡好检测的抗噪性能和精度，想要提高边缘检测的精度，就要忽略噪声产生的伪边缘，反之想要提高边缘检测分割的抗噪性能，就要接受轮廓处精度不高的结果，因此在使用该方法时要根据实际需求进行取舍，这是使用该方法必须要注意的。
1.2基于区域的图像分割方法
区域分割方法其实质是将具有相似特征的像素点连接起来，来获得所需要的分割区域。区域生长法就是选择合适的种子像素并确定生长规则，将满足种子像素附近的像素合并到生长区域内，直到没有适合的新像素可以合并操作就停止[6]。区域分裂合并法是根据区域的特征来确定分裂标准，遇到特征不一样的就分裂为四个邻近区域，继续重复以上操作，最终不再有满足分裂准则的区域就结束得到分割结果。
区域分割图像的方法运用的是图像的局部空间信息，因此能够弥补其他方法分隔空间小的不足，但该方法也有很多缺点，如：种子像素的选取直接影响分割结果，抗噪性能也不高会分割出没用的小区域[7]，当需要处理大量图像时就非常不方便，而且区域面积较大时分割速度也很慢，所以该方法通常与其他方法结合使用才能得到想要的效果。
1.3基于阈值的图像分割方法
阈值分割方法是图像分割方法中比较经典的方法，其基本原理是根据图像的灰度特征计算出灰度阈值，将阈值与图像中的每个像素的灰度值进行比较，然后对像素的灰度值进行级别划分，所以阈值的选取至关重要[8]。其中全局阈值分割法适用于图像中目标灰度和背景灰度差别较大的图像，因为此时灰度直方图中两峰之间谷的灰度值是最佳阈值。但若图像中目标与背景的灰度差异不是特别鲜明或者是灰度范围有重叠，为了避免过分割和欠分割的情况出现，则就需要依据局部特征来选取阈值。
由于基于阈值的图像分割方法重点在于阈值的选取，而不关注图像的空间特征和纹理特征，所以此方法的抗噪性能也会差点[9]。
1.4基于深度学习的图像分割方法
基于深度学习的分割方法是通过建立神经网络，给上层网络直接输送大量的原始数据，进而使用深度网络的算法，对数据样本进行大量的训练[10]，从而得到最健壮的特征，而非传统方法那样人工设计其特征，以此来达到分割目的。
运用此方法对图像进行分割时，首先要确定分割的类型，深度学习的图像分割可以分为普通分割、语义分割以及实例分割三种。普通分割是指分离不同物体的像素区域，而语义分割则是在普通分割的基础上对每一块区域的语义进行分类，实例分割就是基于语义分割将每个物体编号[11]，然后选取相应的神经网络进行训练。目前流行的神经网络主要有：Mask、R-CNN[12]和FCN[13]等等。
1.5基于超像素的图像分割方法
超像素分割方法与阈值、区域、边缘图像分割方法不同，其基本思想是对图像中具有空间、纹理、颜色等特征相近的像素点进行划分和聚类[14]，这样分割而成的区域块即保留了后续对图像进一步分割的有效信息，又保证了图像中所需边界和颜色部分的完整性。
目前，超像素图像分割方法主流的两种算法是基于图论的算法和基于梯度信息的算法，其中基于图论的算法是将待分割的图像映射为带权的无向图，图中像素为节点，相邻像素之间的连线即为节点的边并给与权值，用节点与边的权值构造函数并对其优化，从而实现超像素的划分[15]。基于梯度信息的算法是对图像初始化聚类后循环利用梯度上升法更新聚类，直到达到某些收敛条件来实现超像素划分。
超像素分割方法不仅解决了传统方法中局部信息或多或少丢失的问题还在一定程度上降低了图像后续处理的复杂度，所以也常作为分割算法的预处理部分与其他方法结合去处理图像。
2图像分割的各种方法的性能总结
根据以上论述和分析的基础，如下将会对各种图像分割方法的性能进行总结：每种图像分割方法都有明显的优点和缺点，如：边缘检测法虽然有运算速度快、边缘定位准确等的优点，但是其抗噪性能不强；区域法能够弥补其他方法分隔空间小的不足，但其计算速度较慢，处理大量图片不方便；阈值分割技术根据图像灰度值进行计算，计算简单且技术成熟稳定，但是计算量比较大，速度也比较慢，阈值分割法和区域分割方法对噪声也都比较敏感；深度学习和超像素的分割方法更加优化，但仍需要减少时间的消耗和提高分割结果的合理化。
除了这些方法之外，还有基于特征理论分割方法和基于聚类的图像分割方法等等，也可将多种方法结合，以达到自己想要的结果，所以对图像进行分割时要根据自身的需求权衡利弊选择分割方法。
3结语
图像分割算法已有多年历史，各种方法和技术也相继被发现，以上是对当前广泛使用的五种图像分割方法分别进行了思想理论的介绍，每种方法都有其优点，但也存在因方法本身的性能限制，而不能都适用于所有的范畴。由于图像分割技术在现代科技中的应用十分重要，所以如何全面提高图像分割方法的速度、精度以及减少耗时，研究出一种适用于范围广的分割方法，仍然是未来需要重点探索的热点。
参考文献
[1]赵诗宇.图像分割算法的分类与研究[J].科技风,2019(05):58.
[2]李娜.数字图像处理中的图像分割技术及其应用[J].信息与电脑(理论版),2020,32(12):38-39.
[3]Tian Run,Sun Guiling,Liu Xiaochao,Zheng Bowen. Sobel Edge Detection Based on Weighted Nuclear Norm Minimization Image Denoising[J]. Electronics,2021,10(6).
[4]唐阳山,徐忠帅,黄贤丞,朱停仃,李栋梁.基于Roberts算子的车道线图像的边缘检测研究[J].辽宁工业大学学报(自然科学版),2017,37(06):383-386+390.
[5]Yang Yu,Zhao Xin,Huang Min,Wang Xin,Zhu Qibing. Multispectral image based germination detection of potato by using supervised multiple threshold segmentation model and Canny edge detector[J]. Computers and Electronics in Agriculture,2021,182.
[6]王可庆.基于边缘检测的图像分割的超声诊断机器人控制系统设计[J].计算机测量与控制,2020,28(07):117-120+126.
[7]潘雄. 基于区域合并的图像分割算法研究[D].福建农林大学,2020.
[8]李亚丽,张松林,韩杰.基于小波系数分割的局部自适应阈值图像去噪[J].测绘通报,2020(05):43-46+122.
[9]刘鑫晶,刘彦隆,徐鑫鑫.细胞膜机制萤火虫算法优化多阈值Otsu图像分割[J].小型微型计算机系统,2020,41(02):410-415.
[10]Machine Learning; Researchers at Inner Mongolia Agricultural University Have Reported New Data on Machine Learning (Machine Learning-assisted Region Merging for Remote Sensing Image Segmentation)[J]. Journal of Robotics & Machine Learning,2020.
[11]Li Chen,Chen Wei,Tan Yusong. Render U-Net: A Unique Perspective on Render to Explore Accurate Medical Image Segmentation[J]. Applied Sciences,2020,10(18).
[12]Technology - Fiber and Polymer Science; Investigators at School of Electrical and Information Engineering Report Findings in Fiber and Polymer Science (Surface Parameter Measurement of Braided Composite Preform Based On Faster R-cnn)[J]. Technology News Focus,2020.
[13]Gilbert Nathanael,Rusli Andre. Single object detection to support requirements modeling using faster R-CNN[J]. TELKOMNIKA (Telecommunication Computing Electronics and Control),2020,18(2).
[14]孙泳. 基于纹理特征和超像素的SAR图像分割算法研究[D].西安电子科技大学,2020.
[15]袁旭. 基于超像素的图像分割方法研究[D].华中科技大学,2019.
作者简介：宋方方（1996-），女。河南周口人，硕士，研究方向为图像处理。
