图像分割的发展历程

图像分割是计算机视觉领域的核心任务之一，旨在将图像划分为具有语义或结构意义的区域。其发展历程经历了从传统方法到深度学习的革命性变革，以下是关键阶段的梳理：

---

1. 传统方法时代（2000年以前）

• 阈值分割：基于像素灰度值的简单分割（如Otsu算法）。

• 边缘检测：利用梯度信息检测边界（如Canny算子、Sobel算子）。

• 区域生长与分水岭算法：基于像素相似性或拓扑结构的分割，但对噪声敏感。

• 基于图模型的方法：

  • GraphCut（2001）：将分割转化为能量最小化问题，结合颜色和边界信息。

  • GrabCut（2004）：交互式改进GraphCut，减少用户输入需求。

2. 特征工程与机器学习结合（2000-2012）

• 纹理与特征描述子：使用SIFT、HOG等特征结合分类器（如SVM）进行分割。

• 条件随机场（CRF）：建模像素间上下文关系，提升分割连贯性（常与GraphCut结合）。

3. 深度学习革命（2012年后）

里程碑模型

• FCN（全卷积网络，2015）：

  • 首次将CNN全连接层替换为卷积层，实现端到端像素级预测。

  • 支持任意尺寸输入