图像分割的发展历程

图像分割演进之路 阅读详情

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,但输出分辨率较低(上采样粗糙)。

  • U-Net(2015):

    • 医学图像分割标杆,对称编码器-解码器结构,通过跳跃连接融合深浅层特征。

    • 在小样本场景中表现优异。

  • DeepLab系列:

    • DeepLab v1/v2(2015-2017):引入空洞卷积(Atrous Conv)扩大感受野,避免下采样信息丢失。

    • DeepLab v3+(2018):结合编码器-解码器和空洞空间金字塔池化(ASPP),提升多尺度分割能力。

  • Mask R-CNN(2017):

    • 扩展Faster R-CNN,增加分割分支,实现检测与分割一体化(实例分割)。

技术演进关键点
  • 多尺度处理:通过金字塔结构(如PSPNet、ASPP)捕捉不同尺度目标。

  • 注意力机制:如Non-local Networks(2018)、CBAM(2018),增强重要区域权重。

  • Transformer的引入:

    • ViT(2020):将图像分块输入Transformer,展现全局建模潜力。

    • Swin Transformer(2021):分层窗口机制,高效处理高分辨率图像。

    • Segment Anything(SAM,2023):通用分割模型,支持零样本和交互式分割。

4. 当前趋势与挑战(2020s)

  • 通用分割模型:如SAM(Meta),通过提示(prompt)实现零样本分割。

  • 3D与视频分割:扩展至点云(如PointNet++)和时序数据(如MaskTrack)。

  • 轻量化与实时性:适用于移动端的模型(如BiSeNet)。

  • 弱监督/无监督学习:减少对昂贵标注数据的依赖(如对比学习、自监督方法)。

  • 医学与遥感等垂直领域:针对特定场景的优化(如nnUNet)。

总结

图像分割从手工特征到深度学习,逐步解决了精度、效率和通用性等核心问题。未来方向可能集中在:

  1. 多模态融合(结合文本、深度等信息)。

  2. 可解释性与鲁棒性(对抗攻击、领域适应)。

  3. 与生成模型结合(如扩散模型用于分割)。

这一领域的进步持续推动着自动驾驶、医疗影像、AR/VR等应用的发展。

图像分割技术介绍 其它机器学习、深度学习算法的全面系统讲解可以阅读《机器学习-原理、算法与应用》,清华大学出版社,雷明著,由SIGAI公众号作者倾力打造。 书的购买链接 书的勘误,优化,源代码资源 图像分割(image segmentation)技术是计算机视觉领域的个重要的研究方向,是图像语义理解的重要一环。图像分割是指将图像分成若干具有相似性质的区域的过程,从数学角度来看,图像分割是将图像划分成互不相交的区... 阅读详情

相关推荐

图像分割的简史:从CNN到掩模R-CNN

在Athelas,我们使用卷积神经网络 (CNN) 不仅仅是分类!在这篇文章中,我们将看到如何在图像实例分割中使用CNN,并取得很好的效果。​

gongdiwudu的专栏 8017

[概念]图像分割的历史 + UNet-Family

2000年之前,数字图像处理时我们采用方法基于几类:阈值分割、区域分割、边缘分割、纹理特征、聚类等。 2000年到2010年期间, 主要方法有四类:基于图论、聚类、分类以及聚类和分类结合。 2010年至今,神经网络模型的崛起和深度学习的发展,主要涉及到几种模型: 截至到2017年底,我们已经分化出了数以百计的模型结构。当然,经过从技术和原理上考究,我们发现了一个特点,那就是当前最成功的...

程序客栈 1万+

图像分割、目标检测发展历程&入门知识

输入m*n的图片,通过矩阵计算变换,得到m*n的二维向量,每个元素表示原图片该像素归属哪一类。输入图片,通过矩阵计算变换,得到1*n的一维向量,每个元素表示归属某一类的概率。滑动窗口 = 窗口滑动,同时对窗口内的内容进行图像分割。可以看到这个方法的计算量特别大。

qq_41413211的博客 726

图像分割技术

图像分割是指将图像分成若干互不重叠的子区域,使得同一个子区域内的特征具有一定相似性,例如颜色、亮度或纹理,不同子区域间特征呈现较为明显的差异12。其主要目的是把图像空间分成一些有意义的区域13。U-Net 是一种用于图像分割任务的深度学习模型,由 Olaf Ronneberger 等人于 2015 年提出。

weixin_67968249的博客 1809

全景图像分割:基于YOLOv8的完整实现与UI界面开发

包含80个"thing"类和53个"stuff"类Cityscapes:专注于城市街景,包含19个类别ADE20K:包含150个细粒度类别:大规模街景数据集。

YOLO 479

图像分割技术发展

图像分割英文文档,简述图像分割技术的发展历史和技术

图像语义分割方法研究进展

全监督学习的图像语义分割方法研究进展1 全监督学习的图像语义分割方法1.1 基于全卷积的图像语义分割方法 论文链接:https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CJFD&dbname=CJFDLAST2021&filename=JSGG202104007&uniplatform=NZKPT&v=3Qinehu7XHJafbpzRGn9ORaNwq9FWcHVRDWNUdk0zDg1h15SKCqIYBjxlAHRuw

weixin_42535423的博客 1万+

Python 包安装报错:ERROR: No matching distribution found for xxx 的全面排查指南

本文全面解析Python包安装时常见的`ERROR: No matching distribution found for xxx`报错。从检查包名拼写、网络与镜像源配置,到深入分析Python版本、操作系统等环境兼容性问题,提供了从简到繁的排查步骤。文章还介绍了使用`pip debug`、`-v`参数等高级诊断工具,并给出了更换包管理器、使用Docker等终极解决方案,帮助开发者高效解决依赖安装难题。

p8q9r0的博客 901

图像分割简介

图像分割算法的研究已有几十年的历史,一直以来都受到高度重视。关于图像分割的原理和方法,国内外已有不少论文发表,但一直以来没有一种方法适用于所有的图像分割处理。传统的图像分割方法存在着不足,不能满足人们的要求,为进一步的图像分析和理解带来了困难。 随着计算机技术的迅猛发展,图像分割等技术能够在计算机上实现,即从图像中将某个特定区域与其它部分进行分离并提取出来。图像分割的方法有许多种,有阈值分割方法、...

御坂御坂001的博客 1149

Goose开源程序本地机上 AI 代理,能够从头到尾自动执行复杂的开发任务。Goose 不仅可以提供代码建议,还可以自主构建整个项目、编写和执行代码、调试故障、编排工作流程以及与外部 API 交互

Goose开源程序 是您的本机上 AI 代理,能够从头到尾自动执行复杂的开发任务。Goose 不仅可以提供代码建议,还可以自主构建整个项目、编写和执行代码、调试故障、编排工作流程以及与外部 API 交互。无论您是在构建想法原型、优化现有代码,还是管理复杂的工程管道,goose 都能适应您的工作流程并精确执行任务。

struggle2025的博客 2050

Android音频学习(十四)——加载音频设备

loadHwModule 是 Android 音频系统的核心初始化函数,负责加载音频硬件抽象层(HAL)的模块实现。它建立 AudioPolicyService 与底层硬件的桥梁,将配置文件(audio_policy_config.xml)中的标签<module>定义转化为可操作的硬件对象,加载的是音频硬件模块(HAL实现),每个模块对应一种音频设备类型,以动态库的形式存在,负责与底层音频硬件交互。

miemie2014的博客 1735

【图像分割】Image Segmentation 综述

【图像分割】Image Segmentation 综述

JNing 1万+

自动驾驶仿真(二)—— 基于PreScan与Simulink的联合仿真

自动驾驶仿真软件介绍二—— PreScan与Simulink联合仿真1. Prescan仿真软件2. Prescan与Simulink联合仿真2. 1 Prescan和matlab软件安装2. 2 联合仿真配置3. 联合仿真实例3.1 一辆不按法规行驶的小车3.2 另一辆的正常行驶的小车3.3 视觉辅助摄像机3.4 传感器检测4. 系列学习视频教程5. 参考学习的书目教材 上一篇博文简单介绍了Carsim与Simulink联合仿真,接着这篇就再继续简单介绍另一款自动驾驶仿真软件Prescan,并且简单做个P

zhudj08的博客 1万+

python 图像分割

系列文章:图像分割之(一)概述 https://blog.youkuaiyun.com/zouxy09/article/details/8532106 计算机视觉、机器学习相关领域论文和源代码大集合 https://blog.youkuaiyun.com/zouxy09/article/details/8550952 回顾图像分割的经典算法 https://blog.youkuaiyun.com/xiangz_csdn/a...

NRGAGA的专栏 3894

Unreal Engine鸿蒙移植实战:环境配置、构建流程与性能优化指南

游戏引擎移植是跨平台开发中的关键技术环节,其核心原理在于通过适配目标操作系统的底层接口和工具链,实现同一套代码在不同硬件和软件环境下的高效运行。这项技术的价值在于最大化代码复用率,降低多平台维护成本,并能让应用快速触达新兴生态系统的用户。在移动游戏和XR应用领域,随着鸿蒙HarmonyOS生态的快速发展,将成熟的商业引擎如Unreal Engine迁移至此平台,成为开发者探索新市场机会的重要路径。本文聚焦于Unreal Engine项目向鸿蒙系统的移植实践,详细解析了从环境搭建、源码适配到构建打包的全链路流

weixin_29011395的博客 411

从模态到颤振:深入解读Nastran的V-g/V-f图,判断你的机翼设计是否安全

本文深入解析Nastran中的V-g/V-f图在机翼颤振分析中的应用,帮助工程师准确判断设计安全性。通过模态分析到颤振边界的完整判读逻辑,结合气动弹性特性,指导优化机翼结构设计,确保飞行安全。

weixin_28732953的博客 474

图像分割简单总结

图像分割简单总结 图像分割的历史 简单总结了图像分割的几个时期: 2000年之前,数字图像处理时我们采用方法基于几类:阈值分割、区域分割、边缘分割、纹理特征、聚类等。 2000年到2010年期间, 主要方法有四类:基于图论、聚类、分类以及聚类和分类结合。 2010年至今,神经网络模型的崛起和深度学习的发展,主要涉及到几种模型。 截至到2017年底,我们已经分化出了数以百计的模型结构。当然,经过从技术和原理上考究,我们发现了一个特点,那就是当前最成功的图像分割深度学习技术都是基于一个共同的先驱:FCN(Ful

jinzi_a的博客 613

苹果生态最佳搭档:Mac mini + OpenClaw + iPhone 远程控制

本文详细介绍如何通过iPhone远程控制Mac mini上的OpenClaw应用,打造高效苹果生态工作流。内容包括:1) 苹果生态整合优势,包括AirDrop、Handoff等功能对比;2) Mac mini配置步骤,涵盖SSH/VNC设置、网络优化及Docker部署OpenClaw;3) iPhone端SSH/VNC客户端选择与Tailscale内网穿透配置;4) 详细SSH密钥设置与连接测试方法。通过这套方案,用户可实现跨设备无缝控制OpenClaw应用,提升远程工作效率。(149字)

一键难忘的博客 797

图像分割发展综述

参考: 传统图像分割方法详解 图像分割传统方法整理 传统图像分割方法h 传统的图像分割算法 图像分割算法总结参考: 图像分割的经典算法——传统图割到深度学习FCN、PSP、Mask-RCNN 语义分割看这一篇就够了! 【语义分割】一篇看完就懂的最新深度语义分割模型综述 2021语义分割指南总结 语义分割方法简要介绍......

renwu 456

【CANoe】CAPL_ECU上电后首帧报文发出时间检测

【CANoe】CAPL_ECU上电后首帧报文发出时间检测,通过CANoe I/O口检测电压实现

星Yeah 的博客 2512

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

深度学习实践——图像分割

什么是图像分割 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤 分割是像素级别的(在应用上非常的准求准确) 图像分割的应用 1.医疗分割(CT/MR) 2.自动驾驶 3.卫星定位物体 图像分割的发展 分类–分类加追踪–多分类加追踪–分割 图像分割的分类 普通分割:将不同分属不同物体的像素区域分开 语义分割:像素级别的分割,分类出每一块区域的语义(这块区域是什么物体) 实力分割:在语义分割的基础上,分类出该物体是属于某一类中的哪一种 图

嘻嘻嘻嘻的博客 6202

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

图像分割

1998年以来,人工神经网络识别技术已经引起了广泛的关注,并且应用于图像分割。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数,然后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。神经网络存在巨量的连接,容易引入空间信息,能较好地解决图像中的噪声和不均匀问题。选择何种网络结构是这种方法要解决的主要问题。 传统图像分割算法 1)阈值法 阈值...

weixin_30596023的博客 921

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

图像分割开题报告

图像分割开题报告 去发现同类优质开源项目:https://gitcode.com/ 欢迎使用本仓库的图像分割开题报告资源。这是一份综合了各处资料精心整理的开题报告,适用于有相关需求的同学们。报告中详细介绍了图像分割的相关概念、技术路线、研究意义等内容,旨在帮助读者对图像分割领域有一个全面而深入的了解。 本报告主要包括以下部分: 引言:简要介绍图像分割的概念、发展历程和应用领域。 相关技术:详细讲...

gitblog_06728的博客 427

【图像分割】基于主动轮廓模型实现图像分割附matlab代码

主动轮廓模型算法是目前流行的图像分割算法, 其主要优点是无论图像的质量如何, 总可以抽取得到光滑、封闭的边界. 本文综述了主动轮廓模型算法的发展概况, 并分类介绍了各算法的特点. 此外, 本文还给出了算法发展的方向, 以及今后研究所面临的关键问题.

matlab_dingdang的博客 935

【亲测免费】 图像分割技术:从传统算法到深度学习的全面总结

图像分割技术:从传统算法到深度学习的全面总结 【下载地址】图像分割技术从传统算法到深度学习的全面总结 本资源文件详细介绍了图像分割技术的发展历程,涵盖了从传统的经典图像分割算法到基于深度学习的图像分割算法的全面总结。内容包括图像分割算法的发展流程、各个阶段的关键技术以及部分实验结果的展示 ...

gitblog_06659的博客 1175

以DeepLabv3+架构为基础做图像分割(包含v1, v2, v3介绍)

DeepLab图像分割算分的发展过程 v1: 贡献: 首次把空洞卷积(dilated convolution) 引入图形分割领域 基本内容: 基于VGG16 将最后两个池化层改为卷积层(控制分辨率不要太小) 去掉全连接层(保留最后一个用于softmax分类) 后三个卷积改为空洞卷积(保证感受野与去掉池化层前接近) 对结果上采样后用CRF细化分割效果 空洞卷积(Dilated Convolut...

赤道6号转向发动机的博客 2698
上一篇: deepsort训练自己的数据集
下一篇: Mask R-CNN
reset2021
博客等级 码龄5年 565粉丝 424原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

reset2021

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值