多年来，多年来，使用域特定知识在多年上已经开发了几种算法和图像分割技术，以有效解决特定应用区域中的分割问题。这些应用包括医学成像，自动化驾驶，视频监控和机器视觉。

医学影像

在癌症的医学诊断过程中，病理学家用苏木精和曙红（H＆E）染色身体组织，以区分组织类型。然后他们使用调用的图像分割技术聚类识别图像中的那些组织类型。聚类是在场景中分离一组对象的方法。K-means聚类算法发现分离，使得每个簇内的对象尽可能彼此彼此接近，并且远离其他簇中的其他对象尽可能远。

自动驾驶

在为自动驾驶汽车等自动车辆的观念设计时，语义细分普遍用来帮助系统识别和找到道路上的车辆和其他物体。

图像分割涉及将图像转换成由掩模或标记图像表示的像素区域的集合。通过将图像划分为片段，您只能处理图像的重要段而不是处理整个图像。

一种常见的技术是在像素值中寻找突然的不连续性，其通常表示定义区域的边缘。

另一种常见方法是检测图像区域中的相似性。遵循这种方法的一些技术是区域生长，聚类和阈值。

多年来，多年来使用域特定知识在多年上已经开发了各种其他执行图像分割的方法，以有效地解决特定应用领域的分割问题。

和马铃薯^®那你可以：

• 使用应用程序以交互方式探索不同的分段技术
• 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

使用应用程序以交互式阈值图像

图像分段器应用程序

使用交互式图像分段器应用程序，您可以迭代地尝试在实现所需结果之前逐次段的方法。例如，您可以使用此应用程序细分和进一步改进具有不同方法的膝关节的MRI图像的结果。

颜色阈值应用程序

此颜色阈值应用程序可允许您通过以交互方式操作图像来申请彩色图像，基于不同的颜色空间。例如，您可以使用颜色阈值应用程序创建二进制掩码使用点云控件进行彩色图像。

使用各种图像分段技术

在matlab和matlab的功能图像处理工具箱™，您可以在不同的图像分割技术上进行实验和构建专业知识，包括阈值处理，聚类，基于图形的分割和区域生长。

阈值

使用Otsu的方法，imbinarize.在2D或3D灰度图像上执行阈值处理以创建二进制图像。从RGB彩色图像生成二进制图像，使用RGB2GRAY.首先将其转换为灰度图像。

聚类

此技术允许您使用特定的聚类算法创建分段标记的图像。使用基于K-Means聚类的分割，Imsegkmeans.将图像分段为k个簇。

基于图形的分段

基于图形的分段技术，如懒惰捕捉使您可以将图像分段为前景和背景区域。Matlab允许您以编程方式在图像上执行此分段（leazysnapping.）或者使用图像分段器应用交互式。

地区生长

地区生长是一种基于简单的区域（也被分类为基于像素的）图像分割方法。一种普遍使用的算法是ActiveCont.，这检查了初始种子点的相邻像素，并迭代地确定是否应该将像素邻居添加到该区域。您还可以使用图像分部器应用程序在图像上执行此分段。

深度学习图像分割

使用卷积神经网络（CNNS），一种名为语义分割的深度学习技术，允许您将图像的每个像素与类标签相关联。语义分割的应用包括自主驾驶，工业检验，医学成像和卫星图像分析。

使用马铃薯，您可以使用图像的集合及其相应的标记图像设计和培训语义分段网络，然后使用训练网络标记新图像。到标记培训图像，您可以使用图像贴标程序，视频贴标程序或地面真实贴标程序应用程序。