图像分割是数字图像处理和分析中常用的一种技术,通常是根据图像中像素的特征将图像分割成多个部分或区域。图像分割可以包括前景与背景的分离,或者基于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代表a的图像或三维体素中的像素病人脑部的肿瘤或其他器官。
图像分割涉及到将一幅图像转换为一组像素区域的集合,这些像素区域由掩模或标记图像表示。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。
一种常用的技术是在像素值中寻找突变不连续点,它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中的相似性。遵循这种方法的一些技术是区域增长、集群化和阈值化。
多年来,人们开发了各种其他的方法来进行图像分割,这些方法使用领域特定的知识来有效地解决特定应用领域的分割问题。
这个颜色阈值应用程序允许您应用阈值到彩色图像通过交互操纵图像的颜色,基于不同的颜色空间。例如,您可以使用Color阈值应用程序来创建一个二进制掩码为彩色图像使用点云控件。
用MATLAB和图像处理工具箱™,您可以试验和建立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的专家意见。
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值图像。若要从RGB彩色图像生成二进制图像,请使用rgb2gray
首先将其转换为灰度图像。
该技术允许您使用特定的聚类算法创建分段的标记图像。使用基于K-means聚类的分割,imsegkmeans
将一幅图像分割成K个簇。
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
)或交互式地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的(也称为基于像素的)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,并迭代地确定像素邻居是否应该添加到该区域。你也可以使用Image Segmenter应用程序对图像进行分割。
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让你将图像的每个像素与一个类标签相关联。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。