图像分割学习

图像分割自学（1）

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。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像索赋予相同的编号。

一般来说，用于图像分割的算法主要有五类：

1.阈值分割方法（ threshold segmentation method）。
阈值分割是基于区域的分割算法中最常用的分割技术之一，其实质是根据一定的标准自动确定最佳阈值，并根据灰度级使用这些像素来实现聚类。

2.区域增长细分（ regional growth segmentation）。
区域增长算法的基本思想是将具有相似属性的像素组合以形成区域，即，首先划分每个区域以找到种子像素作为生长点，然后将周围邻域与相似属性合并其区域中的像素。

3.边缘检测分割方法（ edge detection segmentation method）。
边缘检测分割算法是指利用不同区域的像素灰度或边缘的颜色不连续检测区域，以实现图像分割。

4.基于聚类的分割（ segmentation based on clustering）。
基于聚类的算法是基于事物之间的相似性作为类划分的标准，即根据样本集的内部结构将其划分为若干子类，以使相同类型的类尽可能相似、不同的类型的类尽可能不相似。

5.基于CNN中弱监督学习的分割。
它指的是为图像中的每个像素分配语义标签的问题，又称语义分割。它由三部分组成。 1）给出包含哪些对象的图像。 2）给出一个对象的边框。 3）图像中的对象区域用部分像素标记。

瓶颈

目前图像分割主要集中在语义分割，而目前的难点也在于“语义”，表达某一语义的同一物体并不总是以相同的形象出现，如包含不同的颜色、纹理等，这对精确分割带来了很大的挑战。其他的还有深度学习框架下广泛存在的问题：对训练数据的数据量要求高，训练费时等。

未来发展方向

目前的发展方向是语义分割，包括从图像发展到的视频中的分割，对分割的精确度有很大的要求，以目前的模型表现来看，在准确率上无疑还有提升空间。另外，弱监督甚至无监督训练来解决昂贵的数据标注问题也是一种方向。最后，示例级别（Instance level）的图像分割也是一个热门研究方向。