图像分割是数字图像处理和分析的常用技术的图像分割为多个部分或区域,通常是基于图像中的像素的特征。图像分割可涉及从背景中分离前景,或聚类基于在颜色或形状相似性的像素的区域。例如,图像分割在医学成像中的共同应用是表示图像或3D体积的体素中,以检测和标记象素肿瘤病人的大脑或其他器官。
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。通过将图像分割成段,您可以只处理图像的重要部分,而不是处理整个图像。
一种常用技术是寻找在像素值不连贯的间断,这通常表示限定区域的边缘。
另一种常见的方法是检测在图像的区域的相似性。遵循这个方法有些技术是区域生长,聚类,和阈值。
多年来,人们开发了各种其他的方法来进行图像分割,利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。
这种颜色门槛判断应用程序可以让你应用由操作交互式图像的色彩进行阈值彩色图像,基于不同的色彩空间。例如,你可以使用颜色门槛判断应用创建一个二进制掩码为彩色图像使用点云控件。
随着功能的MATLAB和图像处理工具箱™,您可以对不同的图像分割技术(包括阈值、聚类、基于图形的分割和区域增长)进行试验并建立专门知识。
利用大津的方法,imbinarize
对2D或3D灰度图像执行阈值处理以创建二进制图像。若要从RGB彩色图像生成二进制图像,请使用rgb2gray
首先将它转换成灰度图像。
这种技术可以让你创建一个使用特定的聚类算法分割标签图像。使用K-手段基于聚类的分割,imsegkmeans
段的图像成群集的K个。
基于图像的分割技术,比如延迟捕捉,可以将图像分割为前景和背景区域。MATLAB可以通过编程(lazysnapping
)或交互方式使用图像分段应用程序。
区域增长是一种简单的基于区域(也分类为基于像素)的图像分割方法。一个常用的算法是activecontour
,其中审查初始种子点的相邻像素,并确定该像素邻居迭代是否应该被添加到的区域。您还可以对使用图像分段应用这种图像分割。
使用卷积神经网络(细胞神经网络),被称为语义分割了深刻的学习技术,让您的图像的每个像素与类标签相关联。对于语义分割应用包括自主驾驶,工业检查,医学成像和卫星图像分析。