数字图像处理实验：图像分割

### 数字图像处理中的图像分割实验报告示例

#### 实验目的
通过本实验了解并实践不同类型的图像分割技术，包括基于边缘检测、阈值化以及区域生长的方法。掌握如何利用这些方法实现有效的图像分割。

#### 材料准备
- Python编程环境安装完成，并配置好必要的库文件如OpenCV, NumPy等。
- 准备若干测试图片用于验证各种算法的效果。

#### 方法介绍

##### 边缘检测法
边缘检测是一种常用的非连续性分割手段，能够突出显示物体轮廓。常用的一阶差分算子和二阶差分算子可以用来捕捉图像中亮度变化剧烈的位置[^2]。例如Sobel算子是一阶微分算子的一种形式，它能有效地增强水平方向上的细节信息；而拉普拉斯算子则是典型的二阶导数模板，适用于寻找零交叉点来定位边界位置。

import cv2
import numpy as np

def edge_detection(image_path):
    img = cv2.imread(image_path, 0)
    
    sobel_x = cv2.Sobel(img,cv2.CV_64F,1,0,ksize=5)  
    sobel_y = cv2.Sobel(img,cv2.CV_64F,0,1,ksize=5)

    laplacian = cv2.Laplacian(img,cv2.CV_64F)

    return sobel_x, sobel_y, laplacian

##### 阈值分割法
全局阈值分割是最简单的图像分割策略之一，尤其适合具有明显双峰分布特性的灰度直方图图像。但是当面对复杂场景下的噪声干扰或是光照条件不佳的情况时，则可能无法获得理想的结果[^3]。为此引入了自适应阈值设定方案——Otsu's Method，这种方法能够在一定程度上克服上述局限性，自动确定最佳分离界限从而提高准确性。

from skimage import filters

def otsus_thresholding(gray_image):
    threshold_value = filters.threshold_otsu(gray_image)
    binary_img = gray_image > threshold_value
    
    return binary_img

##### 区域生长法
此方法属于一种基于像素间相似性质的连通成分标记过程。选定种子点之后按照一定准则逐步扩展直至覆盖整个目标对象为止。这种方式特别有利于保持原始结构特征的同时去除背景杂波影响。

def region_growing(image, seed=None):
    rows, cols = image.shape[:2]

    segmented = np.zeros_like(image)
    visited = set()

    def grow_region(r, c, label):
        stack = [(r,c)]
        
        while len(stack)>0:
            r_,c_=stack.pop()
            
            if (r_,c_) not in visited and \
               abs(int(image[r_,c_])-int(label))<threshold:
                segmented[r_,c_] = 255
                visited.add((r_,c_))
                
                neighbors=[(r_-1,c_), (r_+1,c_), 
                           (r_,c_-1), (r_,c_+1)]

                for n_r,n_c in neighbors:
                    if 0<=n_r<rows and 0<=n_c<cols:
                        stack.append((n_r,n_c))

    if isinstance(seed,tuple):grow_region(*seed,image[seed])
    else:[grow_region(r,c,image[r,c])for r in range(rows)for c in range(cols)]

    return segmented

---