多年来，人们开发了多种图像分割算法和技术，利用特定领域的知识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。

医学影像

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，他们使用了一种叫做图像分割的技术集群在他们的图像中识别这些组织类型。聚类是分离对象组中的场景的方法。的K-均值聚类算法找到分离，使得每个集群内的对象是作为彼此接近越好，并从其他集群尽可能其它目的为止。

自动驾驶

在设计无人驾驶汽车(如自动驾驶汽车)的感知时，语义分割被普遍用来帮助系统识别和定位在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。

与MATLAB^®,您可以：

• 使用应用来交互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

使用应用进行交互门槛图片

图像裂殖体应用

使用交互式图像分割器应用程序，您可以反复尝试几种方法来分割图像，然后才能获得预期的结果。例如，你可以使用app来段和进一步缩小用不同的方法膝盖的MRI图像的结果。

颜色阈值的应用

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。

使用图像分割技术的品种

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。

阈值

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。

聚类

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。

基于图形分割

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

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。

用于图像分割的深度学习

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。

使用MATLAB，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，然后使用训练后的网络对新图像进行标记。来标注训练图像，您可以使用图像贴标，贴标视频，或地面实测贴标应用程序。