区域生长图像分割算法_图像分割算法概述(附论文地址）

前言

计算机视觉中有四个主要方向，主要包括：

1，图像分类，分类解决的是这张图是什么的问题。

2，图像定位，定位解决的是某物在图中具体位置的问题。

3，图像检测，检测解决的是这张图中有没有某物，该物在这张图哪个位置的问题。

4，图像分割，分割解决的是图中每一个像素属于哪个物体或者场景的问题。

     图像分割又分了2个方向，包括:

     a)语义分割(semantic segmentation)

       语义分割为图像中的每个像素分配一个类别，如把画面中的所有物体都指出它们各自的类别。如上图中，把图中的人、羊、狗、草地所在像素都分别分类为对应的类别，然后用不同颜色表示出来(注意上图中所有羊都是用蓝色表示的，这一点和实例分割不同)。

      语义分割算法主要有：U-Net、SegNet、DeepLab系列、FCN、ENet、ICNet、ShelfNet、BiseNet、DFN和CCNet等网络

     b)实例分割(instance segmentation)

       与语义分割不同，实例分割只对特定物体进行类别分配(注意上图中所有羊是用不同颜色表示的，这一点和语义分割不同)，这一点与目标检测有点相似，但目标检测输出的是边界框和类别，而实例分割输出的是掩膜(mask)和类别。

      实例分割算法主要有：FCIS、DeepMask、Mask R-CNN 和 PANet 等网络。

      参考网上的资料，下面简单罗列一下这几个方向当前的主要算法。 一，各图像分割算法概述 1.FCN

1)论文地址：

https://arxiv.org/abs/1411.4038

2)算法框架图：

      FCN对图像进行像素级的分类，从而解决了语义级别的图像分割(semantic segmentation)问题。与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类(全连接层＋softmax输出)不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样, 使它恢复到输入图像相同的