一些算法和技术的图像分割已经发展了多年，使用领域特定的知识有效地解决分割问题，在特定的应用领域。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)染色身体组织来区分组织类型。然后他们使用一种叫做聚类在他们的图像中识别这些组织类型。聚类是一种在场景中分离对象组的方法。K-means聚类算法寻找分离，使得每个聚类中的对象尽可能接近彼此，而与其他聚类中的其他对象尽可能远离。

自主驾驶

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

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。

一种常见的技术是在像素值中寻找突发性不连续，这通常表示定义区域的边缘。

另一种常见的方法是检测图像区域的相似性。采用这种方法的一些技术有区域增长、集群和阈值化。

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。

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

使用应用程序交互式阈值图像

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，然后才能获得期望的结果。例如，你可以使用应用程序细分和进一步细化不同方法对膝关节的MRI图像的结果。

颜色阈值的应用

这个颜色阈值应用程序可以让你应用阈值的彩色图像，通过操纵图像的颜色交互，基于不同的颜色空间。例如，你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。

使用多种图像分割技术

与MATLAB中的函数和图像处理工具箱™，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。

阈值

利用大津的方法,imbinarize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。

聚类

这种技术允许您使用特定的聚类算法创建一个分割的标记图像。使用基于k均值聚类的分割，imsegkmeans将图像分割成K个簇。

图论分割

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)或交互式使用图像分割应用程序。

区域增长

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，并迭代确定是否要将相邻像素加入区域。你也可以使用图像分割程序对图像进行分割。

图像分割的深度学习

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让你将图像的每个像素与类标签关联起来。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。

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，然后使用训练过的网络对新的图像进行标记。来标记训练图像，您可以使用图像标签，视频标签，或地面真相标签应用程序。