多年来，一些图像分割算法和技术利用特定领域的知识有效地解决了该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。然后他们使用一种图像分割技术聚类在图像中识别这些组织类型。聚类是在场景中分离一组对象的方法。K-means聚类算法发现分离，使得每个簇内的对象尽可能彼此彼此接近，并且远离其他簇中的其他对象尽可能远。

自主驾驶

在为自动驾驶汽车等自动车辆的观念设计时，语义分割普遍用来帮助系统识别和找到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所表示的像素区域的集合。通过将一幅图像分割成几部分，你可以只处理图像的重要部分，而不是处理整个图像。

一种常见的技术是寻找像素值中的突发性不连续，这通常表示定义区域的边缘。

另一种常见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生长，聚类和阈值。

多年来，人们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，发展出了各种其他的图像分割方法。

与马铃薯^®，你可以：

• 使用应用程序以交互方式探索不同的分段技术
• 使用内置图像分割算法简化图像分析工作流程
• 对图像分割进行深度学习

使用应用程序以交互式阈值图像

图像裂殖体应用

使用交互式的Image Segmenter应用程序，您可以迭代地尝试几种方法来分割图像，然后才能获得想要的结果。例如，你可以使用应用程序细分和进一步改进具有不同方法的膝关节的MRI图像的结果。

颜色阈值的应用

此颜色阈值应用程序可允许您通过以交互方式操作图像来申请彩色图像，基于不同的颜色空间。例如，您可以使用颜色阈值应用程序创建一个二进制掩码使用点云控制彩色图像。

使用各种图像分段技术

在matlab和matlab的功能图像处理工具箱™，您可以试验和构建不同图像分割技术的专业知识，包括阈值、聚类、基于图的分割和区域增长。

阈值

利用大津的方法,imbinarize.对2D或3D灰度图像进行阈值处理，以创建二值图像。要从RGB彩色图像生成二值图像，请使用rgb2gray首先将其转换为灰度图像。

聚类

此技术允许您使用特定的聚类算法创建分段标记的图像。使用基于K-Means聚类的分割，imsegkmeans将图像分割成K个簇。

基于图形的分段

基于图的分割技术，如延迟拍摄，使您能够将图像分割成前景和背景区域。MATLAB可以让你在你的图像上执行这个分割(lazysnapping）或者使用图像分段器应用交互式。

区域增长

区域生长是一种简单的基于区域(也被归类为基于像素)的图像分割方法。一个常用的算法是activecontour，这检查了初始种子点的相邻像素，并迭代地确定是否应该将像素邻居添加到该区域。您还可以使用图像分部器应用程序在图像上执行此分段。

图像分割的深度学习

使用卷积神经网络（CNNS），一种名为语义分割的深度学习技术，允许您将图像的每个像素与类标签相关联。语义分割的应用包括自主驾驶，工业检验，医学成像和卫星图像分析。

使用马铃薯，您可以使用图像的集合及其相应的标记图像设计和培训语义分段网络，然后使用训练网络标记新图像。至对训练图像进行标注，您可以使用图像贴标程序，视频贴标程序或地面真实贴标程序应用程序。