图像分割是图像处理中的经典问题,也是计算机视觉领域的基本技术。根据不同的分割标准,可以将图像分割分为传统的图像分割算法和基于深度学习的图像分割算法。其中传统的图像分割算法又可分为基于阈值的图像分割,基于区域生长的图像分割、基于聚类的图像分割和基于边缘的图像分割方法,每种方法适用于不同的分割对象。目前深度学习技术引起了各个领域的广泛关注,也被尝试应用于图像分割。深度学习分割法基本思想是建立神经网络, 通过对样本进行训练来达到分割的目的。这种方法需要大量的训练数据,同时选择何种网络结构也是这种方法要解决的主要问题。
图像分割分类
应用深度学习进行分割时,首先会明确分割类型,根据实际分割应用任务的不同,可将图像分割大致分为三类普通分割、语义分割(semantic segmentation)和实例分割(instance segmentation)。这三种分割之间相互联系。
普通分割:是指将分属不同物体的像素区域分开;
语义分割:是背景分离的拓展,要求分离开具有不同语义的图像部分;
实例分割:在语义分割的基础上,对每个物体编号。不但进行像素类别的分类,还要区别不同实例。
基于深度学习的图像分割算法
基于深度学习的图像分割算法可以分为以下几类:
1) Fully convolutional networks 全卷积神经网络
2) Convolutional models with graphical models 基于图模型的卷积模型
3) Encoder-decoder based models 编码-解码模型
4) Multi-scale and pyramid network based models 基于多尺度和金字塔的网络模型
5) R-CNN based models 基于R-CNN的模型
6) Dilated convolutional models and DeepLab family 空洞卷积模型和DeepLab族
7) Recurrent neural network based models 循环神经网络的模型
8) Attention-based models 基于注意力机制的模型0
9) Generati