在本文中，我们将重点讨论基于边缘和基于区域的分割技术。在讨论细节之前，我们需要了解细分它们分别是什么以及它们是如何工作的。
分割
图像分割是一种将数字图像分割成各种图像对象的技术。
区域中的每个像素(图像对象)在某些属性(如颜色、亮度、位置或纹理)上是相似的，这可以降低图像的复杂性以便于分析。
在分割的帮助下，还可以从图像中检测隐藏信息。
分割算法基于图像的两个基本属性:
- 像素强度值（边界方法）
- 像素相似性（区域方法）
在下图中，我们有一张以椅子、桌子、窗户等为特征的图像。我们可以借助分割来分别获取这些对象。中间的图像有一张椅子、一张桌子和一个窗户作为我们的分割图像对象。在最右边的图像中，通过标记图像对象来使用实例分割。
随着 Python 机器学习的到来，分割变得非常容易。
对图像分割的需求
将一个图像分割成不同的图像对象，从中提取信息，然后进行标记，以训练各种机器学习模型来解决业务问题。
一个例子是在分割的帮助下自动标记出勤的面部识别系统。
分割的另一个应用是在医学领域，在检测到肿瘤、癌症等严重疾病后进行高效和快速的诊断。
图像分割在机器人等领域也有巨大的应用。
基于边缘的图像分割
在这种方法中，区域的边界彼此之间以及与背景之间的差异很大，允许基于强度（灰度级）的局部不连续性进行边界检测。
换句话说，它是在图像中定位边缘的过程。这是理解图像特征的非常重要的一步，因为我们知道边缘由有意义的特征组成并且具有重要的信息。
基于区域的图像分割
这种方法包括根据一组特定的标准将图像划分为相似的区域。
基于区域的分割技术包括一种通过将图像分割成具有相似像素特征的不同部分来进行分割的算法。这种技术搜索输入图像中的小块或大块，以便进行分割。
它将为选定的块添加更多的像素，或者进一步将块点缩小为更小的段，并将它们与其他更小的块点合并。因此，基于这种方法还有两种基本的技术: 区域生长和区域合并与分裂。
Python 实现
import numpy as np
import matplotlib.pyplot as plt
from skimage import data
coins = data.coins()
hist = np.histogram(coins, bins=np.arange(0, 256))
fig, (ax1) = plt.subplots()
ax1.imshow(coins, cmap=plt.cm.gray,interpolation='nearest')
基于边缘的图像分割
from skimage.feature import canny
edges = canny(coins/255.)
fig, ax = plt.subplots(figsize=(4, 3))
ax.imshow(edges, cmap=plt.cm.gray, interpolation='nearest')
ax.axis('off')
ax.set_title('Canny detector')
Text(0.5, 1.0, 'Canny detector')在该代码中，我们使用了 canny 库，这是一种流行的边缘检测算法来检测输入图像的边缘。
通过设置有效对象的最小大小，可以轻松去除小的虚假对象：
from scipy import ndimage as ndi
fill_coins = ndi.binary_fill_holes(edges)
fig, ax = plt.subplots(figsize=(4, 3))
ax.imshow(fill_coins, cmap=plt.cm.gray, interpolation='nearest')
ax.axis('off')
ax.set_title('Filling the holes')
Text(0.5, 1.0, 'Filling the holes')
基于区域的分割
from skimage.filters import sobel
elevation_map = sobel(coins)
fig, ax = plt.subplots(figsize=(4, 3))
ax.imshow(elevation_map, cmap=plt.cm.gray, interpolation='nearest')
ax.axis('off')
ax.set_title('elevation_map')
Text(0.5, 1.0, 'elevation_map')这里，我们从 skimage.filters 中导入 sobel 模块，它用于在输入图像中查找边缘。
Sobel 变换还帮助我们找到输入图像中的垂直和水平边缘。
总结
本文通过 Python 实现，深入阐述了分割及其两个重要技术(基于边缘的分割和基于区域的分割)。
