图像分割的重要性

目前已开发出几种能够使用领域特定知识有效地求解分割问题的图像分割算法和方法。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

分割和分析在临床诊断、治疗计划和医学研究领域具有重要的应用。使用分割来标注和分析器官、肿瘤、细胞、植入物或其他感兴趣的区域。例如，您可以使用影像组学将肿瘤分为恶性或良性，然后在后续扫描中测量肿瘤的生长情况。您也可以在分割的显微镜图像中跟踪细胞的位置和形态，或在药物试验中分析骨密度。还可以使用分割掩膜生成三维解剖模型，应用于 3D 打印和有限元分析等，这对根据患者制定手术计划很有用。

自动驾驶

为自动驾驶汽车等自动驾驶车辆设计感知功能时，通常会进行语义分割来帮助系统辨识和定位道路上的车辆和其他物体。

图像分割的工作原理

图像分割的第一步涉及将一个图像转换为由掩膜或标注图像表示的像素区域的集合。通过将图像划分为多个分割区域，您可以只选择并处理图像的重要分割区域，不用处理整个图像。

一种常见方法是寻找像素值中的突然不连续性，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。遵循这种思路的一些方法有区域生长、聚类和阈值化。

使用 MATLAB 进行图像分割

使用 MATLAB^®，您可以：

• 使用 App 以交互方式探索不同分割方法
• 使用内置图像分割算法简化图像分析工作流
• 执行深度学习以实现图像分割

使用 App 以交互方式阈值化图像

图像分割器

使用交互式图像分割器，您可以通过迭代方式尝试几种方法来分割图像，以得到理想的结果。例如，您可以使用该 App 分割和进一步细化汽车的图像。

色彩分割器

借助色彩分割器，您可以基于不同颜色空间，以交互方式操作图像的颜色对彩色图像应用阈值化。例如，使用色彩分割器，您可以使用点云控件为彩色图像创建二值掩膜。

使用各种图像分割方法

使用 MATLAB 和 Image Processing Toolbox™ 中的函数，您可以试验和累积不同图像分割方法的专业知识，包括阈值化、聚类、基于图的分割和区域生长，以及深度学习方法，如分割一切模型。

阈值化

要创建二值图像，您可以使用 imbinarize 函数对二维或三维灰度图像执行阈值化。要从 RGB 彩色图像生成二值图像，请使用 rgb2gray 函数先将其转换为灰度图像。

聚类

通过聚类，您可以使用特定聚类算法创建分割的标注图像。使用基于 K 均值聚类的分割，imsegkmeans 将一个图像分割成一个颜色空间内的若干聚类。

基于图的分割

基于图的分割方法，如 lazy snapping，使您能够将一个图像分割成前景和背景区域。MATLAB 支持您以编程方式 (lazysnapping) 或使用图像分割器以交互方式分割图像。

区域生长

区域生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。一个普遍使用的算法是 activecontour。它检查初始种子点的相邻像素，并以迭代方式确定是否应将像素邻点添加到该区域。您也可以使用图像分割器对图像执行该种分割。

深度学习在图像分割中的应用

语义分割是一种深度学习方法，它可使用卷积神经网络 (CNN) 让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动驾驶、工业检查、机器人、医学成像和卫星图像分析。请参阅使用深度学习进行语义分割示例，了解更多信息。

您可以使用一组图像及其对应的标注图像来设计和训练语义分割网络，然后使用经过训练的网络来标注新图像。要标注训练图像，您可以使用图像标注器、视频标注器或真实值标注器。