近年来，一些图像分割算法和技术已经开发出来，这些算法和技术使用特定领域的知识来有效地解决特定应用领域的分割问题。这些应用包括医学成像、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。然后他们使用一种叫做聚类在他们的图像中识别这些组织类型。聚类是分离场景中对象组的方法。K-means聚类算法寻找分离，使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离。

自主驾驶

在为自动驾驶车辆设计感知时，比如自动驾驶汽车，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。

一种常见的技术是寻找像素值中的突发性不连续，这通常表示定义区域的边缘。

另一种常用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。

多年来，使用领域特定知识开发了各种其他执行图像分割的方法，以有效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地探索不同的分割技术
• 使用内置的图像分割算法简化图像分析工作流程
• 进行图像分割的深度学习

使用应用程序交互地阈值图像

图像分割应用程序

使用交互式图像分割器应用程序，您可以迭代地尝试几种方法来分割图像，然后才能获得所需的结果。例如，你可以使用应用程序细分并进一步细化用不同方法得到的膝盖核磁共振图像的结果。

颜色阈值App

这个颜色阈值应用程序让你应用阈值的颜色图像通过交互操作图像的颜色，基于不同的颜色空间。例如，你可以使用Color Thresholder应用程序来创建二进制掩码对彩色图像使用点云控件。

使用多种图像分割技术

用MATLAB和函数图像处理工具箱™，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，包括阈值分割、聚类、基于图的分割和区域增长。

阈值

使用大津的方法，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将一张图像分割成K个簇。

图论分割

基于图形的分割技术，如lazy- snaps，可以将图像分割为前景和背景区域。MATLAB可以让您通过编程方式(lazysnapping)或交互式使用图像分割应用程序。

区域增长

区域生长是一种简单的基于区域(也被归类为基于像素)的图像分割方法。一种常用的算法是activecontour，该方法检查初始种子点的相邻像素，并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。

图像分割的深度学习

使用卷积神经网络(cnn)，一种称为语义分割的深度学习技术可以让你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、工业检测、医学成像和卫星图像分析。

使用MATLAB，可以使用图像集合及其对应的标记图像来设计和训练语义分割网络，然后使用训练好的网络来标记新的图像。来标记训练图像，您可以使用图像标签器，视频标签器，或地面真相标签器应用程序。