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。