机器视觉任务中语义分割方法的进化历史

在图像处理领域，传统图像分割技术扮演着重要角色。

一、基于传统方法的图像分割

这些方法包括大津法、分水岭法和区域生长法。

• 大津法通过分析图像的灰度特性，自动选择一个合适的阈值，将图像清晰地区分为目标区域和背景。这种方法的优势在于其自适应性，能够应对不同图像的特性。

• 分水岭法基于形态学的拓扑理论，通过识别灰度值分布中的局部最小值来确定分割阈值，实现图像的精确分割。这种方法适用于那些灰度值分布具有明显层次的图像。

• 区域生长法侧重于将具有相似灰度、强度和纹理等特征的相邻像素合并，形成具有一致性的区域。这种方法通过对图像中每个像素的逐一分析，构建出孔隙结构的准确图像。

虽然，这些方法简单，高效，但是传统方法不能完全挖掘图像数据的信息，只能简单的通过灰度值、颜色、直方图以及局部信息来进行分割。随着深度学习的发展，人们纷纷探索使用卷积神经网络对图像进行分割。

二、基于卷积神经网络的图像分割

全卷积网络（fully convolutional networks, FCN）通过将传统CNN中的全连接层替换为卷积层，使得网络能够处理任意尺寸的输入图像，并输出与输入尺寸相同的分割图像。这种设计保证了图像的空间信息不会丢失，对于图像的孔隙结构分析尤为有效。

FCN结构