图像分割是数字图像处理和分析中常用的一种技术,通常是根据图像中像素的特征将图像分割成多个部分或区域。图像分割包括从背景中分离前景,或基于颜色或形状的相似性聚类像素区域。例如,图像分割在医学成像中的一个常见应用是检测和标记图像中的像素或3D体素中表示病人脑部的肿瘤或其他器官。
图像分割涉及到将图像转换为由掩码或标记图像所表示的像素区域的集合。通过将一幅图像分割成几部分,你可以只处理图像的重要部分,而不是处理整个图像。
一种常见的技术是寻找像素值中的突发性不连续,这通常表示定义区域的边缘。
另一种常见的方法是检测图像区域的相似性。遵循这种方法的一些技术是区域增长、集群和阈值。
多年来,人们利用特定领域的知识来有效地解决特定应用领域的分割问题,发展出了各种其他的图像分割方法。
这个颜色阈值应用程序让你应用阈值到彩色图像,通过操作图像的颜色交互,基于不同的颜色空间。例如,你可以使用颜色阈值应用来创建一个二进制掩码使用点云控制彩色图像。
用MATLAB和图像处理工具箱™,您可以试验和构建不同图像分割技术的专业知识,包括阈值、聚类、基于图的分割和区域增长。
利用大津的方法,imbinarize
对2D或3D灰度图像进行阈值处理,以创建二值图像。要从RGB彩色图像生成二值图像,请使用rgb2gray
首先将其转换为灰度图像。
该技术允许您使用特定的聚类算法创建分段标记图像。利用k均值聚类分割,imsegkmeans
将图像分割成K个簇。
基于图的分割技术,如延迟拍摄,使您能够将图像分割成前景和背景区域。MATLAB可以让你在你的图像上执行这个分割(lazysnapping
)或交互式使用图像分割程序。
区域生长是一种简单的基于区域(也被归类为基于像素)的图像分割方法。一个常用的算法是activecontour
,它检查初始种子点的邻近像素,并迭代决定是否将像素邻点添加到该区域。你也可以使用Image Segmenter应用程序对图像进行分割。
使用卷积神经网络(CNNs),一种称为语义分割的深度学习技术可以让你将图像的每个像素与一个类标签联系起来。语义分割的应用包括自动驾驶、工业检测、医学成像和卫星图像分析。