MATLAB图像处理：图像分割方法

图像分割将图像划分为具有特定意义的子区域，是目标检测、医学影像分析、自动驾驶等领域的核心预处理步骤。本文讲解阈值分割、边缘检测、区域生长、聚类分割、基于图的方法等经典与前沿技术，提供MATLAB代码实现。

目录

1. 图像分割基础

2. 经典分割方法详解

2.1 阈值分割

原理：

MATLAB实现：

2.2 边缘检测分割

原理：

2.3 区域生长与分裂合并

算法步骤：

4. 分割方法对比与选型指南

---

1. 图像分割基础 定义：根据像素的灰度、纹理、颜色或语义特征，将图像划分为互不重叠的区域。核心目标： 精确分离目标与背景保留目标的几何与语义完整性 2. 经典分割方法详解 2.1 阈值分割 原理： 通过设定灰度阈值划分前景与背景，适用于高对比度场景。OTSU算法：自动计算最大类间方差的阈值。 MATLAB实现： img = imread('coins.png'); % 手动阈值分割 thresh = 0.6; % 阈值设为0.6（归一化后） binary_manual = imbinarize(img, thresh); % OTSU自动阈值 thresh_otsu = graythresh(img); binary_otsu = imbinarize(img, thresh_otsu); figure; subplot(131), imshow(img), title('原图'); subplot(132), imshow(binary_manual), title('手动阈值'); subplot(133), imshow(binary_otsu), title('OTSU分割'); 2.2 边缘检测分割

原理： 基于梯度、二阶导数或零交叉检测目标轮廓（如Canny、Sobel算法）。 % Canny边缘检测 edge_canny = edge(img, 'Canny', [0.1 0.25], 1.5); % 形态学后处理连接断裂边缘 se = strel('disk', 2); closed_edge = imclose(edge_canny, se); filled_edge = imfill(closed_edge, 'holes'); figure; subplot(131), imshow(edge_canny), title('Canny边缘'); subplot(132), imshow(closed_edge), title('闭运算连接'); subplot(133), imshow(filled_edge), title('填充孔洞');

2.3 区域生长与分裂合并 算法步骤： 区域生长：从种子点出发，按相似性准则合并相邻像素。分裂合并：递归地将图像分裂为子块，合并相似区块。 % 初始化生长区域 segmented = false(size(img)); segmented(seed_point(1), seed_point(2)) = true; mean_val = img(seed_point(1), seed_point(2)); % 迭代生长 for iter = 1:1000 neighbor_mask = imdilate(segmented, strel('disk',1)) & ~segmented; neighbors = find(neighbor_mask); if isempty(neighbors), break; end neighbor_vals = img(neighbors); valid = abs(neighbor_vals - mean_val) < threshold; segmented(neighbors(valid)) = true; mean_val = mean(img(segmented)); end figure; imshowpair(img, segmented, 'blend'), title('区域生长结果');

 3. 聚类与图论分割方法

3.1 K-means聚类分割

clc; clear; close all; % 读取图像 originalImage = imread('苹果.png'); % 使用MATLAB自带图像 figure; imshow(originalImage); title('原始图像'); %% 预处理 img = im2double(originalImage); % 转换为双精度并归一化 [rows, cols, channels] = size(img); % 转换为像素特征向量（每个像素的RGB值作为特征） pixelFeatures = reshape(img, rows*cols, channels); % 尺寸变为[M*N, 3] %% K均值聚类 k = 2; % 设置聚类数量 [clusterIdx, centroids] = kmeans(pixelFeatures, k, ... 'Distance', 'sqeuclidean', ... % 平方欧氏距离 'Replicates', 5, ... % 重复聚类5次取最佳 'MaxIter', 100); % 最大迭代次数 %% 后处理与可视化 % 将聚类结果重塑回图像尺寸 labelMap = reshape(clusterIdx, rows, cols); % 创建颜色标记的分割图像 segmentedImage = zeros(rows, cols, channels); for i = 1:k % 为每个聚类区域赋予对应的中心颜色 mask = labelMap == i; for ch = 1:channels colorLayer = img(:,:,ch); segmentedImage(:,:,ch) = segmentedImage(:,:,ch) + ... colorLayer .* mask; end end figure; imshow(segmentedImage); title('聚类颜色增强分割结果'); %% 显示每个聚类区域（二值显示） figure; for i = 1:k subplot(1,k,i); imshow(labelMap == i); title(['聚类区域 ', num2str(i)]); end %% 高级可视化：叠加边界到原图 boundaries = zeros(rows, cols); for i = 1:k mask = labelMap == i; boundaries = boundaries + edge(mask, 'canny'); end figure; imshow(imoverlay(originalImage, boundaries, [1 0 0])); % 红色显示边界 title('带分割边界的原图');

 3.2 图割（Graph Cut）

rgb_img = imread('苹果.png'); lab_img = rgb2lab(rgb_img); % 转为Lab色彩空间提升聚类效果 % 使用Image Processing Toolbox的graphcut函数 mask = false(size(rgb_img,1), size(rgb_img,2)); mask(50:end-50, 50:end-50) = true; % 粗略定义前景区域 L = superpixels(rgb_img, 500); % 生成超像素 BW = lazysnapping(rgb_img, L, mask, ~mask); % 图割优化 figure; imshowpair(rgb_img, BW, 'blend'), title('图割分割结果');

4. 分割方法对比与选型指南 方法优点缺点适用场景阈值分割计算快、易于实现依赖对比度，难以处理复杂纹理文档扫描、简单目标提取边缘检测精准边界定位易受噪声干扰，需后处理工业零件尺寸测量区域生长适合均匀区域依赖种子点选择，速度慢医学肿瘤分割K-means聚类无需先验知识色彩空间敏感，可能过分割自然图像颜色分割图割全局优化，精度高计算资源消耗大交互式图像编辑