图像分割是数字图像处理和分析中的常用技术,以将图像分为多个部分或区域,通常基于图像中的像素的特性。图像分割可能涉及将前景从背景中分离,或者基于颜色或形状的相似度分离像素的聚类区域。例如,医学成像中的图像分割的共同应用是检测和标记表示a的3D卷的图像或体素的像素。患者的大脑中的肿瘤或其他器官。
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。
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。
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。
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。
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。
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。