图像分割
一、直观理解：把像素划成有意义的区域
图像分割把图像分成若干互不重叠区域，使同一区域内像素性质相似（灰度、颜色、纹理），不同区域之间有可区分边界。阈值分割最简单；Otsu 自动选阈值；K-means 可做颜色聚类；区域生长、图割、水平集等处理更复杂情形。
建模题中，分割常用于计数目标、测面积、提取感兴趣区（ROI）供后续统计。
二、适用场景与优缺点
| 类型 | 说明 |
|---|---|
| 适用场景 | 目标与背景灰度可分；需要面积/数量；彩色聚类分区域。 |
| 核心优点 | 阈值/Otsu 快速可解释；结果可直接量化；易与形态学联动。 |
| 局限与缺点 | 光照不均使全局阈值失败；纹理复杂需更强特征；过分割/欠分割常见。 |
三、核心原理
1. 全局阈值
。
2. Otsu
最大化类间方差
3. 聚类分割
把像素特征（RGB、Lab、位置）聚类，标签即区域。
四、实践要点
- 预处理：去噪、光照校正（顶帽/同态）；
- 先试 Otsu，失败再局部阈值或聚类；
- 分割后形态学清理；
- 用面积、圆形度等过滤假目标。
五、MATLAB 示例
%% Otsu 阈值分割 + 计数
I = zeros(120, 160);
I(20:50, 20:50) = 0.9;
I(70:100, 90:130) = 0.85;
I(40:55, 100:115) = 0.8;
I = imgaussfilt(I, 1);
I = imnoise(I, "gaussian", 0, 0.005);
I8 = im2uint8(mat2gray(I));
T = graythresh(I8); % Otsu 归一化阈值
BW = imbinarize(I8, T);
BW = bwareaopen(BW, 50);
BW = imfill(BW, "holes");
cc = bwconncomp(BW);
stats = regionprops(cc, "Area", "Centroid");
areas = [stats.Area];
figure;
subplot(1,3,1); imshow(I8); title("原图");
subplot(1,3,2); imshow(BW); title(sprintf("Otsu T=%.2f", T));
subplot(1,3,3); imshow(I8); hold on;
for k=1:numel(stats)
plot(stats(k).Centroid(1), stats(k).Centroid(2), "r*");
end
title(sprintf("检测到 %d 个目标", cc.NumObjects));
fprintf("各目标面积: "); disp(areas);
K-means 颜色分割示意：
rgb = reshape(cat(3, I8, I8, I8), [], 3);
[idx, C] = kmeans(double(rgb), 2, "Replicates", 3);
L = reshape(idx, size(I8));
figure; imagesc(L); axis image off; title("K-means 分割标签");
六、如何解释结果
报告算法、阈值/聚类数、预处理与后处理、目标数量与面积统计、误差来源（粘连、光照）。给出分割叠加图增强说服力。
七、常见误区
1. 全局阈值打天下
2. 不清理掩膜就计数
3. 聚类数随意、不解释含义
4. 缺少与人工标注/常识的对照
附：建模流程中的落地清单（图像分割）
要把方法真正写进论文，建议补齐以下模块，而不是只贴一个最终数字。
1. 问题对齐与假设
说明题目中的输入/输出如何映射到本方法，并显式列出关键假设。假设越清楚，后面的敏感性分析越有对象。
2. 关键关系
Otsu 最大化类间方差自动阈值；分割后常接形态学与连通域分析。
3. 补充实现片段
I=im2uint8(mat2gray(fspecial('gaussian',[80 80],12))); BW=imbinarize(I,graythresh(I)); imshowpair(I,BW,'montage');
4. 报告要素
算法、阈值/类数、后处理、目标计数与面积。
5. 不适用情形
全局阈值打天下；不清理掩膜就计数。
6. 与验证章节的衔接
至少做一项：参数扰动、与基线方法对照、极限情形检查。把“方法正文”和“全局方法论（第15门类）”连起来，结论才站得住。
附：结果解读示例与常见审稿问题
结果解读示例
假设已经得到主要数值输出。写作时应把数字翻译回题目语言，例如：
- “在基准参数下指标为 A；当关键参数变化 ±10% 时，指标波动约 B%，方案排序未变。”
- “算法在 R 次独立重复中有 S 次收敛到同一结构解，说明结论对初始化不敏感。”
- “与简化基线相比，本方法在验证集误差降低 Δ，但计算时间增加，权衡后仍采用。”
如果只有表格没有句子，评委很难判断你是否真正理解结果。
参数与数据的最小敏感性
即使篇幅有限，也建议给出一个小表：选取 1–3 个最关键参数，各取偏低/基准/偏高三档，报告输出变化。这比大段空泛的“模型具有较强鲁棒性”更有说服力。
可复现信息
在附录或正文脚注中记录：软件版本、随机种子、关键容差、数据截取时间范围。另一人按文档应能得到同量级结果。
审稿式自问
- 方法假设在题目数据上是否可检查？
- 若最敏感参数估计错误 20%，结论是否翻盘？
- 是否存在更简单方法达到相近效果？
- 图表是否都能用一句话概括？
- 局限是否写得具体，而不是套话？
把上述自问的答案写进论文，方法章节会明显更“像完成了建模”，而不是“像完成了公式摘录”。
八、小结
图像分割把像素组织成可量化区域，Otsu 与聚类是建模中最常用的起点。成功的分割流水线通常是：预处理 → 分割 → 形态学 → 特征过滤 → 统计输出。