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。