什么是图像分割--Image Segmentation

图像分割：百度百科是这么定义的，图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。

图像分割发展出了以下几个子领域：

1、语义分割（semantic segmentation)

2、实例分割（instance segmentation)

3、全景分割（panoptic segmentation)

一：图像分割

1、基于图论的分割方法

  此类方法基于图论的方法利用图论领域的理论和方法，将图像映射为带权无向图，把像素视作节点，将图像分割问题看作是图的顶点划分问题，利用最小剪切准则得到图像的最佳分割。

2、基于聚类的分割方法

  机器学习中的聚类方法也可以用于解决图像分割问题，其一般步骤是:
（1）初始化一个粗糙的聚类
（2）使用迭代的方式将颜色、亮度、纹理等特征相似的像素点聚类到同一超像素，迭代直至收敛，从而得到最终的图像分割结果。

3、基于语义的分割方法

  聚类方法可以将图像分割成大小均匀、紧凑度合适的超像素块,为后续的处理任务提供基础，但在实际场景的图片中，一些物体的结构比较复杂,内部差异性较大，仅利用像素点的颜色、亮度、纹理等较低层次的内容信息不足以生成好的分割效果，容易产生错误的分割。因此需要更多地结合图像提供的中高层内容信息辅助图像分割，称为图像语义分割。
  深度学习技术出现以后，在图像分类任务取得了很大的成功，尤其是其对高级语义信息的model能力很大程度上解决了传统图像分割方法中语义信息缺失的问题。

二：性能指标

1、IoU

2、AP

3、mAP

4、Dice coefficient

三：相关应用

1. 机器视觉
2. 人脸识别
3. 指纹识别
4. 交通控制系统
5. 在卫星图像中定位物体（道路、森林等）
6. 行人检测
7. 自动驾驶
8. 医学影像，包括:
（1）肿瘤和其他病理的定位
（2）组织体积的测量
（3）计算机引导的手术
（4）诊断
（5）治疗方案的定制
（6）解剖学结构的研究

 图（医学影像分割）

四：当前部分图像分割技术

1、UNet：多用于医学图像的图像分割。

2、Yolact和Yolact++：多用于实时图像分割，比如自动驾驶。

3、Transformer：可以与多种分割技术进行组合，形成多样性的针对不同行业的分割技术。

4、DeepLabV3：多用于图像语义分割。

5、PointNet++：三维物体分割。

  以下为课程预告，我们将遂一的为大家介绍以上三种图像分割技术，有兴趣的小伙伴可以关注我的微博，我将随时公布培训时间及报名方式。