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。图像分割包括将前景与背景分离,或基于颜色或形状相似性聚类像素区域。例如,在医学成像中图像分割的一个常见应用是检测和标记图像中的像素或三维体积的体素病人脑部的肿瘤或其他器官。
图像分割涉及将图像转换成由掩模或标记图像表示的像素区域的集合。通过将图像划分为片段,您只能处理图像的重要段而不是处理整个图像。
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,多年来使用域特定知识在多年上已经开发了各种其他执行图像分割的方法,以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使用点云控件进行彩色图像。
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上进行实验和构建专业知识,包括阈值处理,聚类,基于图形的分割和区域生长。
利用大津的方法,imbinarize
在2D或3D灰度图像上执行阈值处理以创建二进制图像。从RGB彩色图像生成二进制图像,使用rgb2gray
首先将其转换为灰度图像。
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。
基于图形的分段技术,如懒惰捕捉使您可以将图像分段为前景和背景区域。Matlab允许您以编程方式在图像上执行此分段(leazysnapping.
)或交互式使用图像分割应用程序。
地区生长是一种基于简单的区域(也被分类为基于像素的)图像分割方法。一种普遍使用的算法是ActiveCont.
,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。
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。