最近在寫CV的一個mini project，涉及到Segmentation（圖像分割），整個project需要使用Matlab，并且總共只有4分，所以完全沒有必要動用深度學習。

之前只在Lecture上了解過傳統CV解決Segmentation，包括edge detection, thresholding, region-based segmentation, clustering, fitting。在理想狀態下，這些方法都能有很好的表現，但是在實踐中發現很多算法表現很糟糕，如thresholding和clustering。

在知乎上看到一篇總結Segmentation各類方法的文章，高屋建瓴。作者總結了基于閾值的方法，基于聚類的方法、基于區域的方法、基于圖割的方法、活動邊界模型和水平集、基于卷積神經網絡的方法。以下摘錄開頭結尾，文章鏈接放在末尾。

為了通過材質、形狀、結構識別目標，對圖像進行分割應該是必然的選擇。在這一點上計算機視覺研究者們算是勉強達成了共識，圖像分割甚至被不少研究者列為計算機視覺的基本任務之一了。那么圖像分割到底是什么呢？不幸的是圖像分割任務的定義中僅“分割結果是不重疊的子區域”這一部分獲得了共識，對于子區域的粒度、邊界保持性、區域內紋理一致性等等缺乏有效和公認的標準。雖然如此，很多圖像分割算法被提了出來，歸納起來可以分為基于閾值的方法、基于聚類的方法、基于區域的方法、基于圖割的方法、活動邊界模型和水平集、基于卷積神經網絡的方法。

…

其實不難看出，如果邊界是準確的，那么將準確的邊界連接起來就能形成準確的分割。邊界的少量錯位是在所難免的，因此在評價邊界的準確性時需要允許一定程度的錯位。但是若果邊界有缺失，則無論如何也無法恢復形狀和結構了。至此，分割算法的一項評價指標就呼之欲出了——邊界缺失率，與之對應的另一項評價指標則是——邊界冗余率。邊界準確程度和過分割程度已經在這兩個指標中包含了。

https://zhuanlan.zhihu.com/p/75457322

總結

以上是生活随笔為你收集整理的【CV现状】 - 图像分割的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。