今天來介紹最後四種常用的影像分割，分別為閥值化、適應性閥值化、分水嶺分割、GrabCut分割。

1.影像閥值化

影像分割的目的在偵測目標物件。若數位影像的物件與背景，在強度(或灰階)的分佈，具有良好的可分離性，則可以使用影像閥值化的技術，藉以分割出目標物件與其背景。

**影像閥值化(Image Thresholding)**可以定義為:

由於在此使用的閥直T，是直接套用於整張影像，因此又稱為全域閥值化(Global Thresholding)。數位影像的閥值化可被視為統計學上的分類問題，與機率學中的**貝氏定理(Bayes Rule)**相關。如何選取理想的閥直，自然也成為是否可以成功分割目標物件的主要因素。

為了自動選取理想的值，Otsu提了一種方法，目的是根據像素強度(或灰階)的分佈，使**類別間的變異數(Between-Class Variance)**達到最大值。

影像閥值化的程式碼如下:

import numpy as np
import cv2
import math

img1 = cv2.imread("D:\Desktop\IThome\house.jpg", 0)
thresh, img2 = cv2.threshold(img1, 127, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

cv2.imshow("Original", img1)
cv2.imshow("After", img2)

cv2.waitKey()
cv2.destroyAllWindows()

結果如下:

由於數位影像中的物件與其背景的強度(或灰階)具有可分離性，因此可以使用影像閥值化的方法分割。結果影像包含物件與背景，物件通常是定義為Binary-1、背景則是定義為Binary-0;分別用255與0的值儲存

2.適應性閥值化

上面介紹的全域閥值化，由於只使用單一閥值，因此在許多情況下，例如光暗漸層、打光不均等，可能會無法成功分割物件，此時就可採用**適應性閥值(Adaptive Threshold)**。

適應性閥值化技術中，每個像素所採用的閥值是根據該像素的局部區域而定，具有適應性。OpenCV提供兩種適應性閥化的選取方法，分別為:**(1)平均法(Mean)**與**(2)高斯法(Gaussian)**。適應性閥值是根據局部區域的平均值或高斯濾波的結果而定，主要的參數為局部區域大小。

程式碼如下:

import numpy as np
import cv2
import math

img1 = cv2.imread("D:/Desktop/IThome/alpha.bmp", 0)
thresh, img2 = cv2.threshold(img1, 127, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
img3 = cv2.adaptiveThreshold(img1, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 0)
img4 = cv2.adaptiveThreshold(img1, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 0)
cv2.imshow("Original", img1)
cv2.imshow("Global", img2)
cv2.imshow("Gaussian", img3)
cv2.imshow("Mean", img4)

cv2.waitKey()
cv2.destroyAllWindows()

結果如下:

如上圖，左上角為原始影像，有些字母的字元有光暗的差別，使用全域閥值就會造成右上角的結果，有些字母無法全部被分離，若改用適應性閥值，就會如左下角(Mean)，或右下角(Gaussian)有較理想的結果。

3.分水嶺分割

**分水嶺(Watershed)**是根據灰階影像定義的一種轉換，可以用來進行影像分割。顧名思義，分水嶺演算法是將灰階影像視為高低起伏的地形，灰階較大的區域視為山丘或山峰，灰階較小的區域則視為山谷。一開始，我們在較低的山谷(灰階的局部最小值)灌水，兩個相鄰的貧地在持續灌水到滿時，則在相鄰的交界處建立分水嶺，整個過程是持續灌水與不斷地將分水嶺築高，直到水位超過最高的山頂為止。此時，建立的分水嶺就是影像分割區域的邊緣。

OpenCV提供分水嶺函式，稱為Watershed，需事先定義灌水的起點，稱為漂記。礙於篇幅原因，因此程式碼就不再這贅述，讀者可自行至OpenCV官方查詢。

4.GrabCut分割

GrabCut演算法算是另一種影像分割技術，計算方式比分水嶺演算法複雜。Grabcut演算法目的是希望透過少許的使用者互動過程，即可得到不錯的影像分割效果。

GrabCut演算法是基於**流量網路(Flow Network)**，主要是根據數位影像中的像素建構一個圖，流量網路同時包含一個Source與一個Sink，分別為流量的起點與終點，背景像素則與Sink節點相連，透過流量的最小切割(Minimum Cut)演算法，切割之後，與Source節點相連的像素即是前景，與Sink節點相連則是背景。(註:關於最大流量-最小切割定理與Fork-Fulkerson演算法內容眾多，有興趣的讀者可自行查詢)

GrabCut演算法步驟說明如下:
(1) 首先根據使用者定義一個矩形框，大致包含準備分割的前景物件。GrabCut會根據舉行框進行初步的影像分割，採用的方法是利用**高斯混和模型(Gaussian Mixture Models)**
(2) 若是矩形框初步分割的結果不理想，可利用人工方式分別標記必然是前景的區域與必然是背景的區域。
(3) GrabCut演算法容許持續加入標記，直到影像分割結果令人滿意為止

OpenCV提供GrabCut的影像分割函式:
`cv2.grabCut(img, mask, rect, bgdModel, fgdModel, iterCount[, mode])`

• img:輸入的色彩影像

• mask:遮罩影像

• rect:矩形框，包含準備分割的前景物件

• bgdModel:前景模型的暫存陣列

• fgdModel:背景模型的暫存陣列

• iterCount:迭代次數

• mode:處理模式

  礙於篇幅關係，GrabCut的程式碼就不再此贅述，但GrabCut是一個很有趣的演算法，背後牽涉的原理較多，因此若有時間，了解高斯模型與流量網路是比較好的喔。