图像分割算法总结

今天看了个总结比较全面的图像分割算法，记录下：

传统分割方法（数字图像处理、拓扑学、数学等知识进行图像分割）

1。 基于阈值的分割方法

基于图像的灰度特征来计算一个或多个灰度阈值，将图像中每个像素的灰度值与阈值比较，最后根据比较结果分到合适的类别是中。

2。 基于区域的图像分割方法

2.1 区域生长：从一组代表不同生长区域的种子像素开始，接下来将种子像素领域里符合条件的像素合并到种子像素所代表的生长区域中，并将新添加的像素作为新的种子像素继续合并过程，直到找不到符合条件的新像素为止。

2.2 区域分裂合并：区域生长的逆过程，从整幅图像出发，不断的分裂得到各个子区域，然后再把前景区域合并，得到需要分割的前景目标，进而实现目标的提取。

2.3 分水岭算法：一种基于拓扑理论的数学形态学分割方法。

3。 基于边缘检测的分割方法：串行边缘检测和并行边缘检测；并行微分算子法；还有基于曲面拟合的方法、基于边界曲线拟合的方法、基于反应-扩散方程的方法、串行边界查找、基于变形模型的方法。梯度、Roberts Sobel Prewitt Kirsch Laplacian。

结合特定工具的图像分割算法

1。 基于小波分析和小波变换的图像分割方法

2。基于遗传算法的图像分割

3。基于主动轮廓模型的分割方法：参数主动轮廓模型和几何主动轮廓模型

基于深度学习的分割

1。基于特征编码（feature encoder based）

1.1 VGGNet

1.2 ResNet

2。 基于区域选择（regional proposal based）

2.1 R-CNN

2.2 Fast R-CNN

2.3 Faster R-CNN

2.4 Mask R-CNN

2.5 Mask Scoring R-CNN

3。 基于RNN的图像分割

3.1 ReSeg模型

3.2 MDRNNs（Multi-Dimensional Recurrent Neural Networks）模型

4。 基于上采样/反卷积的分割方法

4.1 FCN（Fully Convolutional Network）

4.2 SegNet

5 基于提高特征分辨率的分割方法

5.1 DeepLab 结合了深度卷积神经网络的概率图模型的方法，应用在语义分割任务上；

6。 基于特征增强的分割方法

提取多尺度特征或者从一系列嵌套的区域中提取特征。

7。 使用CRF/MRF的方法(Marcov Random Field)

参考：《最全综述|图像分割算法》

[图片上传失败...(image-18309d-1691559992483)]