一些算法和图像分割技术已使用特定领域的知识来有效解决特定应用领域的分割问题，发展了多年。这些应用包括医疗成像，自动驾驶，视频监控和机器视觉。

医学影像

在医疗诊断为癌症，病理学家染色生物体组织用苏木精和曙红（H＆E）组织类型之间进行区分。然后，他们使用一种称为图像分割技术集群在他们的图像，以确定这些组织类型。聚类是分离对象组中的场景的方法。的K-均值聚类算法找到分离，使得每个集群内的对象是作为彼此接近越好，并从其他集群尽可能其它目的为止。

自动驾驶

当设计感知自主车辆，如自动驾驶汽车，语义分割被普遍用来帮助系统识别和定位在道路上的车辆和其他物体。

图像分割涉及的图像转换成由掩模或标记的图像表示的像素的区域的集合。通过将图像分割成段，你只能处理图像，而不是处理整个图像的重要部分。

一种常用技术是寻找在像素值不连贯的间断，这通常表示限定区域的边缘。

另一种常见的方法是检测在图像的区域的相似性。遵循这个方法有些技术是区域生长，聚类，和阈值。

A进行图像分割各种其他方法已经使用特定领域的知识来有效解决特定应用领域的分割问题，发展了多年。

同MATLAB^®，您可以：

• 使用应用来交互探索不同的分割技术
• 简化图像分析流程中使用内置的图像分割算法
• 对图像分割进行深度学习

使用应用进行交互门槛图片

图像分段应用

使用交互式图像分段器的应用程序，你可以反复地实现所期望的结果之前，尝试几种方法来分割图像。例如，您可以使用该应用程序段和进一步缩小用不同的方法膝盖的MRI图像的结果。

颜色门槛判断应用程序

这种颜色门槛判断应用程序可以让你应用由操作交互式图像的色彩进行阈值彩色图像，基于不同的色彩空间。例如，你可以使用颜色门槛判断应用创建一个二进制掩码使用点云控制用于彩色图像。

使用图像分割技术的品种

随着功能的MATLAB和图像处理工具箱™，你可以尝试以及对不同的图像分割技术，包括阈值，聚类，基于图形的分割和区域生长构建专业知识。

阈值

利用大津的方法，imbinarize进行阈值化的2D或3D灰度图像上以创建二值图像。从RGB彩色图像，利用产生的二进制图像rgb2gray首先将它转换成灰度图像。

聚类

这种技术可以让你创建一个使用特定的聚类算法分割标签图像。使用K-手段基于聚类的分割，imsegkmeans段的图像成群集的K个。

基于图形分割

基于图形的分割技术，如懒惰捕捉使您能够段图像分成前景和背景区域。MATLAB让您在图像上执行此细分以编程方式（lazysnapping）或交互方式使用图像分段应用程序。

区域生长

区域生长是一个简单的基于区域（也被分类为基于像素的）的图像分割方法。甲广泛使用的算法是activecontour，其中审查初始种子点的相邻像素，并确定该像素邻居迭代是否应该被添加到的区域。您还可以对使用图像分段应用这种图像分割。

深度学习的图像分割

使用卷积神经网络（细胞神经网络），被称为语义分割了深刻的学习技术，让您的图像的每个像素与类标签相关联。对于语义分割应用包括自主驾驶，工业检查，医学成像和卫星图像分析。

运用MATLAB，你可以设计和用图像和其相应的标记的图像集合训练语义分割网络，然后用训练好的网络标注新的图像。至标注训练图像，您可以使用图像贴标，贴标视频，或地面实测贴标应用程序。