图像分割概述
图切割算法是组合图论的经典算法之一。近年来，许多学者将其应用到图像和视频分割中，取得了很好的效果。本文简单介绍了图切算法和交互式图像分割技术，以及图切算法在交互式图像分割中的应用。
图像分割指图像分成各具特性的区域并提取出感兴趣目标的技术和过程，它是由图像处理到图像分析的关键步骤，是一种基本的计算机视觉技术。只有在图像分割的基础上才能对目标进行特征提取和参数测量，使得更高层的图像分析和理解成为可能。因此对图像分割方法的研究具有十分重要的意义。
图像分割技术的研究已有几十年的历史，但至今人们并不能找到通用的方法能够适合于所有类型的图像。常用的图像分割技术可划分为四类：特征阈值或聚类、边缘检测、区域生长或区域提取。虽然这些方法分割灰度图像效果较好，但用于彩色图像的分割往往达不到理想的效果。
交互式图像分割是指，首先由用户以某种交互手段指定图像的部分前景与部分背景，然后算法以用户的输入作为分割的约束条件自动地计算出满足约束条件下的最佳分割。典型的交互手段包括用一把画刷在前景和背景处各画几笔（如[1][4]等）以及在前景的周围画一个方框（如[2]）等。
基于图切算法的图像分割技术是近年来国际上图像分割领域的一个新的研究热点。该类方法将图像映射为赋权无向图，把像素视作节点，利用最小切割得到图像的最佳分割。
图像分割是图像预处理的重要步骤之一，它的主要目标是将图像划分为不同的区域，这些区域与真实世界中的物体具有一定的关联成分。图像分割的方法大体分为以下三种：基于阈值的分割、基于边缘的分割和基于区域的分割。其中基于区域的分割较为常用。OpenCV提供了分水岭算法和GrabCut算法，可以快速实现图像的分割。
- 基于阈值
原理
灰度阈值化，是最简单的图像分割，其速度最快，广泛用于硬件图像处理领域 (例如，基于 FPGA 的实时图像处理等)。
设输入图像 $f$，输出图像 $g$，则阈值化公式如下：
$\quad g(i, j) = \begin{cases} 1 & \text{当 f(i, j) ≥ T 时} \\0 & \text{当 f(i, j) < T 时} \\ \end{cases} $
即，遍历图像中所有像素，当像素值 $f (i, j) ≥ T$ 时，分割后的图像元素 $g (i, j)$ 是物体像素，否则为背景像素。
适用范围
当各物体不接触，且物体和背景的灰度值差别比较明显时，灰度阈值化是非常合适的分割方法。
cv::threshold 函数
- 基于边缘
三种常用的边缘检测算子： Sobel, Laplace 和 Canny 算子。
实际上，边缘检测的结果是一个个的点，并不能作为图像分割的结果，必须采用进一步的处理，将边缘点沿着图像的边界连接起来，形成边缘链。
轮廓函数
OpenCV中，可在图像的边缘检测之后，使用 findContours 寻找到轮廓，该函数参数如下：
image 一般为二值化图像，可由 compare, inRange, threshold , adaptiveThreshold, Canny 等函数来获得；
hierarchy 为可选的参数，如果不选择该参数，则可得到 findContours 函数的第二种形式；
- 区域提取
GrabCut算法分割图像
watershed 分水岭算法
kmeans算法实现图像分割
参考：