【CV现状】 - 图像分割

最近在写CV的一个mini project，涉及到Segmentation（图像分割），整个project需要使用Matlab，并且总共只有4分，所以完全没有必要动用深度学习。

之前只在Lecture上了解过传统CV解决Segmentation，包括edge detection, thresholding, region-based segmentation, clustering, fitting。在理想状态下，这些方法都能有很好的表现，但是在实践中发现很多算法表现很糟糕，如thresholding和clustering。

在知乎上看到一篇总结Segmentation各类方法的文章，高屋建瓴。作者总结了基于阈值的方法，基于聚类的方法、基于区域的方法、基于图割的方法、活动边界模型和水平集、基于卷积神经网络的方法。以下摘录开头结尾，文章链接放在末尾。

为了通过材质、形状、结构识别目标，对图像进行分割应该是必然的选择。在这一点上计算机视觉研究者们算是勉强达成了共识，图像分割甚至被不少研究者列为计算机视觉的基本任务之一了。那么图像分割到底是什么呢？不幸的是图像分割任务的定义中仅“分割结果是不重叠的子区域”这一部分获得了共识，对于子区域的粒度、边界保持性、区域内纹理一致性等等缺乏有效和公认的标准。虽然如此，很多图像分割算法被提了出来，归纳起来可以分为基于阈值的方法、基于聚类的方法、基于区域的方法、基于图割的方法、活动边界模型和水平集、基于卷积神经网络的