目录图像分割全方法详解（传统算法 + 机器学习分割 + 深度学习分割，配套 OpenCV 说明、原理、优缺点、适用场景）总分类一、传统无模型图像分割1. 阈值分割原理细分 3 种优点缺点适用场景2. 边缘分割原理常用算子优点缺点适用场景3. 区域类分割（重点：漫水填充、分水岭）（1）漫水填充 FloodFill（单种子区域生长）（2）普通区域生长（3）分水岭 Watershed（多种子竞争区域分割）4. K-Means 聚类分割（无监督聚类分割）原理优点缺点适用场景5. GrabCut 图割交互式分割原理优点缺点适用场景：人像抠图、商品图片前景提取。6. 均值漂移 MeanShift原理优点：自带降噪，平滑后分割区域均匀。缺点：运算耗时，大图像实时性差。适用场景：人像美颜预处理、纹理平滑分割。7. SLIC 超像素分割原理作用：大幅减少像素数量，作为后续分水岭、机器学习分割的前置步骤。二、传统机器学习监督分割核心思路优点缺点适用场景：简单工业固定场景分割。三、深度学习分割（高精度主流，OpenCV DNN 支持 ONNX 推理）1. 语义分割定义：所有同类物体共享同一类别标签，输出全图像素分类图。优缺点：精度高，可处理复杂背景；需要大量标注数据集训练。2. 实例分割定义：同一类物体区分独立个体，同时输出分割掩码 + 检测框。3. 实时轻量化分割4. 全景分割四、各类方法选型速记图像分割全方法详解（传统算法 + 机器学习分割 + 深度学习分割，配套 OpenCV 说明、原理、优缺点、适用场景）总分类传统无模型分割（无需训练、OpenCV 原生函数） 阈值分割、边缘分割、区域类分割（漫水填充、普通区域生长、分水岭）、均值漂移、GrabCut 图割、SLIC 超像素、K-Means 聚类分割传统机器学习像素分割（监督，需训练模型 xml/yml）深度学习分割（高精度工业主流，导出 ONNX 用 OpenCV DNN 推理）一、传统无模型图像分割1. 阈值分割原理以像素灰度值为判断标准，设定一个临界值（阈值），所有像素灰度大于阈值归前景，小于归背景，实现二值分离。细分 3 种固定阈值threshold()：手动指定分割灰度值，光照均匀简单场景；自适应阈值adaptiveThreshold()：图像分小块，每块单独计算阈值，解决光照不均匀图片；Otsu 大津法：自动遍历所有灰度，计算类间最大差值，自动输出最优阈值，黑白分明图像首选。优点速度极快、代码简单、资源消耗极低。缺点仅依靠灰度，颜色渐变、阴影、纹理复杂图像分割失效；只能处理单通道灰度图。适用场景文档扫描、印刷字符、纯色工业零件检测、黑白二维码分割。2. 边缘分割原理物体和背景灰度突变处为边缘，先用梯度算子提取边缘线，再闭合边缘形成轮廓，通过轮廓完成区域分割。常用算子Sobel（梯度提取）→ Canny（最优边缘检测）→findContours查找闭合轮廓。优点能提取物体边界，适合简单几何工件。缺点纹理、噪声会产生大量碎边缘；物体轻微断裂就无法形成完整轮廓，粘连物体无法分开。适用场景零件尺寸检测、简单几何物体轮廓提取。3. 区域类分割（重点：漫水填充、分水岭）核心思路：把特征相近、空间连通的像素合并为完整区域。（1）漫水填充 FloodFill（单种子区域生长）原理：类似油漆桶，给定一个种子像素，向外扩散，灰度差值在设定范围内的连通像素全部合并为同一区域。支持掩码输出，不破坏原图。优点：交互简单，鼠标点选即可提取整块同色区域，运算速度快。缺点：物体轻微粘连、有渐变光影时会溢出现过填充；一次只能提取单一连通区域。适用场景：交互式抠色块、提取气泡、污渍标记、手动生成分水岭种子。（2）普通区域生长手动设置多个种子，自定义像素相似度规则，批量合并相似区域，OpenCV 无单独封装函数，需自行代码实现，工程使用少。（3）分水岭 Watershed（多种子竞争区域分割）原理：将灰度图像模拟为地形，灰度越低代表山谷；提前标记好确定前景、背景种子，模拟灌水，不同种子水域相遇产生分界线，自动拆分粘连重叠物体。使用硬性要求：不能直接原图调用，必须经过二值化、距离变换制作标记掩码 markers。优点：唯一能分割堆叠、粘连颗粒的传统算法（药片、细胞、米粒）。缺点：对噪声敏感，容易出现细碎过分割；预处理流程复杂，步骤多。适用场景：重叠细胞计数、堆叠颗粒、粘连工件分割。4. K-Means 聚类分割（无监督聚类分割）原理提取像素 RGB/HSV 色彩特征，将所有像素做 K 均值聚类，颜色相近像素划分为同一类别，不同类别生成分割区块。优点不依赖灰度，依靠色彩分割，彩色图像效果优秀。缺点必须手动指定聚类数量 K；色彩相近、纹理复杂区域容易混淆；计算量大于阈值分割。适用场景皮肤分割、交通标识提取、彩色色块区分、图片简化分色。
