目标检测YOLO系列从入门到精通技术详解100篇-【图像处理】图像分割

目录

前言

知识储备

图像处理常用算法

算法原理

传统分割方法

1.基于阈值的分割方法

2.基于区域的图像分割方法

3.基于边缘检测的分割方法

结合特定工具的图像分割算法

基于小波分析和小波变换的图像分割方法

基于遗传算法的图像分割

基于主动轮廓模型的分割方法

基于深度学习的分割

1.基于特征编码（feature encoder based）

a.VGGNet

b.ResNet

深度学习中的图像分割

基于区域选择（regional proposal based）

Stage Ⅰ：R-CNN

Stage Ⅱ：Fast R-CNN

Stage Ⅲ：Faster R-CNN

Stage Ⅳ：Mask R-CNN

Stage Ⅴ：Mask Scoring R-CNN

基于RNN的图像分割

1.ReSeg模型

2.MDRNNs（Multi-Dimensional Recurrent Neural Networks）模型

基于上采样/反卷积的分割方法

a.FCN(Fully Convolutional Network)

2.SetNet

基于提高特征分辨率的分割方法

基于特征增强的分割方法

使用CRF/MRF的方法

---

 

前言

图像分割是计算机视觉研究中的一个经典难题，已经成为图像理解领域关注的一个热点，图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。

知识储备

图像处理