由于很难猜测您需要什么结果，因此提出任何自动分割方法都非常困难。

相反，让我提出两种不同的带标记的半自动分割。

1. 使用带标记的最小生成森林进行分割

   此方法基于分水岭[Cousty 等。al.：流域削减：最小跨度森林和水滴原理，2009 年]。

   基本上，你计算一个版本的分水岭（有很多版本），称为分水岭切割，它给你一个（非常严重的）过度分割。

   之后，您标记要查找的一个对象（或所有对象，每个对象 1 个标记 + 1 个作为背景，如果有的话），它会根据预先计算的分水岭计算最可能的分割。

   我不想详细介绍，因为文章中提供了伪代码和示例图像（甚至是单元格图像），但是如果您需要我，请发表评论，我可以添加更多信息。

2. 使用 -trees（或 -connected components）进行分割$\alpha$$\alpha$

   在这里，“开始过度分割”实际上只是对平坦区域（图像中的等强度区域）的分割。我将在这里解释一些理论。

   或 -的连通分量如下获得：$\alpha$$p$$\alpha$$CC(p)$

   • 首先你选择一个连通性（4-或8-conn。；4-conn 仅仅意味着一个像素的邻居是上、下、左和右）
   • 如果两个相邻像素之间的强度差是，则这些像素是相连的$\leq \alpha$
   • $\alpha$ -包含连接到像素的所有像素以及可以通过连接路径$CC(p)$$p$$p$

   现在，由于各种原因（如果有人问，我可以再次扩展答案），如果你跟随 -围绕一个像素，它的面积通常会随着你增加而缓慢增长，然后在某个时候你会突然出现面积迅速增加，然后继续缓慢增长。通常，如果您在大小快速增加之前的那一刻查看 -，它会给您您的对象。$\alpha$$CC$$\alpha$$\alpha$$CC$

   同样，您可以使用标记来标记您想要“关注”的 -这里的优点是您可以计算层次结构，然后在同一层次结构上进行所有计算。$\alpha$$CC$$\alpha$

   我知道除非您对 -trees 有所了解，否则所有新术语听起来有点令人困惑，但这里有一些参考资料可以提供帮助：$\alpha$

   • Najman, Soille: On Morphological Hierarchical Representations for Image Processing and Spatial Data Clustering , 2012 - a good reference for -hierarchies in general$\alpha$
   • Serna, Marcotegui：属性控制重建和自适应数学形态学，2013 - 这些人所做的事情与我的提议非常相似。他们文章中提出和探索的用法之一是分割（他们只是使用更多属性，而不仅仅是区域）。
   • Merciol, Lefevre：基于 Alpha-tree Multiscale Representation 的快速图像和视频分割，2012 - 这或多或少正是我描述的用法。