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分割为多个部分或区域。图像分割可能涉及将前景与背景分离,或根据颜色或形状的相似性对像素区域进行聚类例如,医学成像中图像分割的一个常见应用是检测和标记图像中的像素或代表图像的三维体积体素病人脑部的肿瘤或其他器官。
图像分割包括将图像转换为像素区域的集合,这些像素区域由掩码或标记图像表示。通过将图像分割成部分,可以只处理图像中的重要部分,而不必处理整个图像。
一种常见的技术是查找像素值中的突然不连续性,这通常表示定义区域的边。
另一种常见的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增长、聚类和阈值。
多年来,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,已经发展了许多其他的图像分割方法。
此颜色阈值应用程序允许您通过基于不同颜色空间交互操作图像的颜色,将阈值应用于彩色图像。例如,您可以使用颜色阈值应用程序创建二进制掩码对彩色图像使用点云控件。
在MATLAB和图像处理工具箱™,您可以在不同的图像分割技术(包括阈值、聚类、基于图的分割和区域增长)上进行实验和构建专业知识。
用大津的方法,,灌输
对2D或3D灰度图像执行阈值设置以生成二值图像。要从RGB彩色图像产生二值图像,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图像。使用基于K均值聚类的分割,imsegkmeans
将图像分割为K个簇。
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可以让您执行这个分割您的图像或编程(lazysnapping
)或者以交互方式使用图像分割器应用程序。
区域增长是一种简单的基于区域(也可归类为基于像素)的图像分割方法。一个常用的算法是activecontour
,它检查初始种子点的相邻像素,并迭代确定是否应将像素邻居添加到区域。您还可以使用Image Segmenter应用程序对图像执行此分割。
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将图像的每个像素与类别标签关联起来。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。