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来有效地解决特定应用领域的分割问题。这些应用包括医疗成像、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，他们使用了一种叫做图像分割的技术聚类在他们的图像中识别这些组织类型。聚类是在一个场景中分离一组对象的方法。K-means集群算法查找分离，使每个集群中的对象尽可能地彼此接近，而其他集群中的对象尽可能地远离。

自主驾驶

在设计自动驾驶汽车(如自动驾驶汽车)的感知时，语义分割通常用于帮助系统识别和定位路上的车辆和其他物体。

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。

与MATLAB^®,您可以:

• 使用应用程序交互式地探索不同的细分技术
• 使用内置的图像分割算法简化图像分析工作流程
• 对图像进行深度学习分割

使用应用程序交互阈值图像

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之前，达到预期的结果。例如，你可以使用应用程序细分并进一步细化不同方法的膝关节MRI图像的结果。

颜色阈值的应用

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。

采用多种图像分割技术

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。

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。

聚类

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。

图论分割

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)或交互式地使用图像分割器应用程序。

区域增长

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。

用于图像分割的深度学习

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。

使用MATLAB，可以用一组图像及其对应的标记图像来设计和训练语义分割网络，然后使用训练后的网络来标记新的图像。来标记训练图像，你可以使用图像标签，视频标签，或地面真理标签的应用程序。