OpenMMlab--MMSegmentation重温图像分割经典方法

OpenMMlab–MMSegmentation图像分割

---

---

前言

第一次接触到图像分割，还是比赛的时候，题目是医学图像相关的，都是结合的深度学习去解决，这与上的数字图像处理的课的内容差距相当大，对于比赛几乎没啥帮助，记忆犹新。当时比赛的模型用到的还是经典的UNet去解决，然而现在做UNet工作各种改进版本的已经遍地开花了，甚至还有把扩散模型结合UNet的神奇变种。

---

一、经典方法：数字图像处理

在深度学习还没有火之前，传统的数字图像处理一直是解决图像问题的主流，那时候MATLAB才是主流程序语言，绝大部分的图像处理技术都是拿matlab程序处理的。就所上的课使用的教材来说，数字图像的无论辅助实验书本还是课程的上机实验都是用的matlab。借此重温一下那些经典的图像分割方法。

图像分割是要把图像目标物进行检测和特征参数测量，提取目标物区域从背景区域分开来，简单说就是抠图。经典的图像分割会根据图像的灰度，纹理或者频谱特征，做傅里叶变换做频谱分析。如利用不同区域的交界处像素灰度值的突变性找到区域边界线，从而检测分割出目标区域。因为图像中边缘的这种变化在从时域变到空域，图像做傅里叶变换，频谱化后，可以明显看到波频率越快时，它对应的频域图越高，对此可以利用微分的方法检测出分割的目标区域。同样对于图像里大块的色域一样的，即具有灰度相似性的，就可通过图像不同色域的交界处的频率变化确定边缘线而进行分割。这两种方法就是边缘检测法和区域生长法。就是一个确定哪里是边缘线，一个确定哪里是不同小区域的交界线。