多年来，一些图像分割算法和技术利用特定领域的知识有效地解决了该特定应用领域的分割问题。这些应用包括医疗成像、自动驾驶、视频监控和机器视觉。

医学成像

在癌症的医学诊断中，病理学家用苏木精和伊红(H&E)染色身体组织以区分组织类型。然后他们使用一种图像分割技术聚类在图像中识别这些组织类型。聚类是一种在场景中分离物体组的方法。K-means聚类算法发现这样的分离，即每个聚类内的对象尽可能靠近彼此，而尽可能远离其他聚类中的其他对象。

自主驾驶

在为自动驾驶汽车(比如自动驾驶汽车)设计感知时，语义分割广泛用于帮助系统识别和定位道路上的车辆和其他物体。

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。

与MATLAB^®，您可以:

• 使用应用程序交互探索不同的细分技术
• 使用内置图像分割算法简化图像分析工作流程
• 对图像分割进行深度学习

使用应用程序交互阈值图像

图像裂殖体应用

使用交互式的Image Segmenter应用程序，您可以迭代地尝试几种方法来分割图像，然后才能获得想要的结果。例如，你可以使用应用程序细分并进一步细化用不同的方法对膝关节进行MRI成像。

颜色阈值的应用

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。

使用多种图像分割技术

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。

阈值

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。

聚类

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。

图论分割

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。

区域增长

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。

图像分割的深度学习

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。

使用MATLAB，您可以设计和训练语义分割网络与图像的集合及其相应的标记图像，然后使用训练后的网络标记新的图像。来对训练图像进行标注，你可以使用图像标签，视频标签，或地面真相标签应用程序。