基于深度学习的常见检测算法如 、系列等 分割 许多计算机视觉任务需要对图像中的内容进行理解与分割并使每个部分的分析更加容易。目前图像分割技术主要通过计算机视觉深度学习模型来理解图像的每个像素所代表的真实物体从而进行像素级别的分类。
图像分割顾名思义就是根据某些规则将图片分成若干特定的、具有独特性质的区域并抽取出感兴趣的目标。 图像分割子领域图主要包括以下几种： 语义分割：对于张图像分割出所有的目标包括背景但对于同类别的目标无法区别不同个体。
例如你可以将与猫相关的所有像素分离出来并将它们涂成绿色。这也被称为预 意大利电话号码列表 测因为预测了每个像素的含义。 实例分割：将图像中除背景之外的所有目标分割出来并且可以区分同类别下的不同个体。例如下图每辆车都用不同的颜色表示。
全景分割：在实例分割的基础上可以分割出背景目标。 图像 语义分割 实例分割 全景分割 图片来源网络 深度学习使用的算法传统的图像分割在效率上不如深度学习技术因为它们使用严格的算法需要人工干预和专业知识主要包括： 基于阈值：将图像分割为前景和背景。
指定的阈值将像素分为两个级别之以隔离对象。阈值化将灰度图像转换为二值图像或将彩色图像的较亮和较暗像素进行区分。 基于- 聚类：算法识别数据中的组变量表示组的数量。该算法根据特征相似性将每个数据点或像素分配到其中组。
聚类不是分析预定义的组而是迭代地工作从而有机地形成组。 基于直方图的图像分割：使用直方图根据灰度对像素进行分组。简单的图像由个对象和个背景组成。背景通常是个灰度级是较大的实体。因此个较大的峰值代表了直方图中的背景灰度。