多年来，人们利用特定领域的知识开发了一些图像分割算法和技术，以有效解决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称为聚类来识别图像中的组织类型。聚类是一种在场景中分离对象组的方法。k均值聚类算法发现分离，使得每个聚类中的对象彼此尽可能接近，并且与其他聚类中的其他对象尽可能远。

自主驾驶

在为自动驾驶汽车等自动驾驶车辆设计感知功能时，语义分割通常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表示的像素区域的集合。通过将图像划分为多个部分，您可以只处理图像的重要部分，而不是处理整个图像。

一种常见的技术是在像素值中寻找突然的不连续点，这通常表示定义一个区域的边。

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、聚类和阈值化。

多年来，人们利用特定领域的知识开发了各种其他的图像分割方法，以有效地解决特定应用领域的分割问题。

与MATLAB^®，您可以:

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

使用应用程序交互式阈值图像

图像裂殖体应用

使用交互式图像分割应用程序，您可以迭代地尝试几种方法来分割图像，直到达到所需的结果。例如，你可以使用该应用程序细分并进一步细化用不同方法对膝盖进行MRI成像的结果。

颜色阈值的应用

这个Color Thresholder应用程序可以根据不同的颜色空间，通过交互操作图像的颜色来应用阈值对彩色图像。例如，你可以使用颜色阈值应用程序创建一个二进制掩码对彩色图像使用点云控件。

使用各种图像分割技术

用MATLAB和图像处理工具箱™，您可以在不同的图像分割技术上进行实验和积累专业知识，包括阈值分割、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灰度图像执行阈值化以创建二值图像。若要从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。使用基于k均值聚类的分割，imsegkmeans将一幅图像分割成K个簇。

图论分割

基于图形的分割技术，如lazy-snap，使您能够将图像分割为前景和背景区域。MATLAB可以让你在你的图像上执行这个分割程序(lazysnapping)或交互式使用图像分割程序应用程序。

区域增长

区域增长是一种简单的基于区域(也被分类为基于像素)的图像分割方法。一种常用的算法是activecontour，该算法检查初始种子点的相邻像素，迭代确定是否将像素邻居添加到区域中。你也可以使用Image Segmenter应用程序对图像进行分割。

基于深度学习的图像分割

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将图像的每个像素与类标签关联起来。语义分割的应用包括自动驾驶、工业检验、医疗成像和卫星图像分析。

使用MATLAB，您可以用一组图像及其对应的标记图像设计和训练语义分割网络，然后使用训练过的网络对新图像进行标记。来标注培训图像，您可以使用图像标签程序，视频标签程序，或地面真相标签程序。