2. 传统分割方法：阈值分割（Otsu算法）、边缘检测（Canny）、区域生长法、分水岭算法

好，咱们进入第二章。这一章我打算聊聊那些“老派”但依然能打的分割方法。别觉得传统就过时了，我跟你讲，在很多工业场景下，这些方法比深度学习还靠谱——毕竟它们不需要海量标注数据，跑起来也快得多。

2.1 阈值分割与Otsu算法

阈值分割，说白了就是“一刀切”。你设定一个阈值，大于它的算一类，小于它的算另一类。最简单的情况就是灰度图转二值图。

但问题来了：阈值怎么选？手动调？我刚开始做项目时就这么干，结果换一张光照不同的图片就崩了。后来我学乖了——用Otsu算法自动算。

Otsu的核心思想其实挺朴素的：它遍历所有可能的阈值，找到那个能让前景和背景“类内方差最小、类间方差最大”的值。嗯，说白了就是让两坨像素各自抱团，别混在一起。

Otsu算法适用场景： 图像直方图呈现明显的双峰分布时效果最好。如果光照不均匀，建议先做预处理。

import cv2
import numpy as np

# 读取灰度图
img = cv2.imread('coin.jpg', 0)

# 直接用Otsu算阈值
ret, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
print(f"Otsu算出来的阈值是: {ret}")

# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Otsu', thresh)
cv2.waitKey(0)

我个人习惯在调用Otsu之前先做高斯模糊，去掉一些噪声点。你想想看，如果原图上有很多椒盐噪声，Otsu算出来的阈值可能会被带偏。

小技巧： 如果图像光照不均，试试自适应阈值（cv2.adaptiveThreshold），它会在局部窗口内分别算阈值，效果比全局Otsu好不少。

2.2 边缘检测：Canny算法

边缘检测，顾名思义就是找图像中像素值变化剧烈的地方。Canny算法是这一块的“扛把子”，直到今天很多项目还在用。

Canny的流程分四步：

  1. 去噪： 先用高斯滤波平滑图像，减少噪声干扰
  2. 算梯度： 用Sobel算子算每个像素的梯度幅值和方向
  3. 非极大值抑制： 只保留梯度方向上的局部最大值，把“胖”边缘变“瘦”
  4. 双阈值检测： 设定高低两个阈值，高阈值确定强边缘，低阈值连接弱边缘

我在项目中遇到过一个问题：Canny的两个阈值怎么设？设高了边缘断断续续，设低了噪声全进来了。后来我总结了一个经验——高阈值一般是低阈值的2到3倍，具体数值可以先用直方图看看梯度分布再定。

import cv2

img = cv2.imread('lena.jpg', 0)
# 高斯去噪
blurred = cv2.GaussianBlur(img, (5, 5), 1.0)
# Canny边缘检测
edges = cv2.Canny(blurred, threshold1=50, threshold2=150)

cv2.imshow('Edges', edges)
cv2.waitKey(0)

注意： Canny对噪声敏感，一定要先做平滑。我曾经偷懒没做这一步，结果边缘图里全是密密麻麻的假边缘，根本没法用。

2.3 区域生长法

区域生长法和阈值分割的思路不太一样。它不是“一刀切”，而是从一个种子点开始，像病毒扩散一样，把相邻的、像素值相近的区域“感染”成同一类。

具体步骤：

  1. 选一个或多个种子点（可以手动点，也可以自动选）
  2. 设定一个相似性判据（比如灰度差小于10）
  3. 从种子点出发，检查相邻像素，符合条件的就归入当前区域
  4. 重复直到没有新像素加入

区域生长的好处是能分割出连通区域，不会像阈值分割那样出现“孤岛”。但缺点也很明显——种子点选不好，结果天差地别。我记得有一次做医学图像分割，种子点点偏了一个像素，结果整个肺部分割成了气管，气得我...嗯，后来我改用自动种子点选取了。

import cv2
import numpy as np

def region_growing(img, seed, threshold=10):
    h, w = img.shape
    segmented = np.zeros((h, w), dtype=np.uint8)
    seed_value = img[seed[1], seed[0]]
    
    # 用队列做BFS
    queue = [seed]
    while queue:
        x, y = queue.pop(0)
        if segmented[y, x] == 1:
            continue
        # 检查4邻域
        for dx, dy in [(1,0), (-1,0), (0,1), (0,-1)]:
            nx, ny = x+dx, y+dy
            if 0 <= nx < w and 0 <= ny < h and segmented[ny, nx] == 0:
                if abs(int(img[ny, nx]) - int(seed_value)) <= threshold:
                    segmented[ny, nx] = 1
                    queue.append((nx, ny))
    return segmented

# 使用示例
img = cv2.imread('brain.jpg', 0)
seed = (100, 100)  # 手动选种子点
result = region_growing(img, seed, threshold=15)
cv2.imshow('Region Growing', result * 255)
cv2.waitKey(0)

避坑指南： 我曾经用区域生长法分割一张纹理丰富的图片，结果因为阈值设得太宽松，整个图像都被“感染”了。建议先用小阈值试跑，再逐步放宽。

2.4 分水岭算法

分水岭算法这个名字挺形象的。你把图像想象成一张地形图，像素值越低的地方是“山谷”，越高的地方是“山脊”。然后从山谷开始“注水”，水慢慢上涨，当两个不同区域的水快要汇合时，就在山脊上筑一道“堤坝”——这就是分割边界。

但直接应用分水岭算法容易过分割——因为噪声和微小纹理会产生太多“山谷”。我建议先做距离变换，找到真正的“种子区域”，再用分水岭。

import cv2
import numpy as np

# 读取并二值化
img = cv2.imread('coins.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

# 距离变换，找到种子点
dist = cv2.distanceTransform(thresh, cv2.DIST_L2, 5)
ret, markers = cv2.threshold(dist, 0.7 * dist.max(), 255, cv2.THRESH_BINARY)
markers = np.uint8(markers)

# 用连通组件标记种子
ret, markers = cv2.connectedComponents(markers)
# 应用分水岭
markers = cv2.watershed(img, markers)
img[markers == -1] = [0, 0, 255]  # 边界标红

cv2.imshow('Watershed', img)
cv2.waitKey(0)

分水岭算法在分割粘连物体时特别好用——比如一堆硬币、细胞、或者颗粒。你想想看，如果用阈值分割，两个挨在一起的硬币会被当成一个整体。但分水岭能沿着它们之间的“山脊”把它们分开。

核心要点： 分水岭算法的关键在于种子点的选取。种子点选得好，分割结果就漂亮。我一般会结合距离变换和形态学操作来生成种子点，效果比手动点稳定得多。

2.5 四种方法对比

方法 核心思想 优点 缺点 典型场景
Otsu阈值分割 自动找最佳阈值 简单、快速、无参数 对光照敏感，只适合双峰直方图 文档二值化、简单目标提取
Canny边缘检测 梯度+双阈值 边缘定位准、连续性好 对噪声敏感，参数调优麻烦 物体轮廓提取、车道线检测
区域生长法 种子点扩散 能分割连通区域，结果直观 种子点依赖性强，速度慢 医学图像分割、特定目标提取
分水岭算法 地形注水+筑坝 能分割粘连物体 容易过分割，需要预处理 细胞分割、颗粒分析、硬币分离

好了，这一章的内容就到这里。四种传统分割方法各有各的脾气，没有哪个是万能的。我个人的建议是：先试试Otsu，不行就上Canny找边缘，再不行就用区域生长或分水岭。实际项目中，我经常把这几种方法组合着用——比如先用Canny找轮廓，再用分水岭细化分割。嗯，下一章咱们聊聊基于图论的分割方法，那个更有意思。

← 上一章 📖 返回目录 下一章 →