什么是图像分割?
你需要知道三件事
图像分割是数字图像处理和分析中常用的一种技术,通常根据图像中像素的特征将图像划分为多个部分或区域。图像分割包括将前景与背景分离,或基于颜色或形状的相似性对像素区域进行聚类。例如,图像分割在医学成像中的一个常见应用是检测和标记图像或3D体素中的像素病人大脑中的肿瘤或其他器官。
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。
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。