50种常见的图像分割技术
-
边缘检测分割：通过检测图像中的边缘来分割图像，例如Canny边缘检测算子。
-
区域生长分割：从一组种子点开始，逐步增长区域，直到满足一定的相似性条件。
-
区域分裂与合并分割：通过分裂和合并区域来分割图像，例如基于区域的分裂合并算法。
-
基于阈值的分割：除了简单的全局阈值分割，还有局部阈值分割、动态阈值分割等。
-
基于聚类的分割：如K-means、层次聚类等方法。
-
水平集方法：使用水平集方法来演化界面，以分割图像。
-
基于图的分割：利用图论中的最小割算法进行图像分割。
-
深度学习方法：如卷积神经网络（CNN）、U-Net等用于图像分割。
-
** watershed分割**：模拟地形学中的分水岭，用于图像分割。
-
基于模型的分割：使用统计模型或几何模型进行图像分割。
-
多尺度分析分割：在不同的尺度上分析图像，进行分割。
-
频域分析分割：在频域对图像进行分析，以实现分割。
-
小波变换分割：利用小波变换的多尺度特性进行图像分割。
-
形态学分割：使用形态学操作如膨胀、腐蚀、开运算、闭运算等进行图像分割。
-
分水岭变换分割：基于流域模型的分割方法。
-
马尔可夫随机场（MRF）分割：利用MRF模型进行图像分割。
-
Otsu方法：自动选择最佳阈值进行图像分割。
-
基于规则的分割：根据预定义的规则进行图像分割。
-
模糊C-means聚类分割：利用模糊逻辑进行图像分割。
-
基于内容的分割：根据图像内容特征进行分割。
-
GrabCut算法：基于图割的交互式前景提取算法。
-
Mean Shift分割：基于密度梯度的无参模式识别技术。
-
Spectral clustering：基于谱图理论的聚类方法。
-
Normalized cuts：基于图论的图像分割方法。
-
Random walks：基于随机游走理论的图像分割方法。
-
Gaussian mixture models (GMMs)：用于聚类的概率模型。
-
Beta mixture model：用于图像分割的统计模型。
-
Superpixels：通过过度分割将图像划分为具有相似特征的超级像素。
-
SLIC (Simple Linear Iterative Clustering)：用于生成超像素的方法。
-
Quick Shift：基于密度梯度的图像分割方法。
-
TurboPixels：一种快速且有效的图像分割算法。
-
Active contours (Snakes)：用于图像分割的曲线演化方法。
-
Level set methods：基于偏微分方程的图像分割方法。
-
Geodesic active contours：基于图像梯度的曲线演化方法。
-
Local binary patterns (LBP)：用于纹理分析的图像分割方法。
-
Hough transform：用于检测图像中的直线、圆等几何形状。
-
RANSAC (Random Sample Consensus)：用于稳健估计的迭代方法。
-
Intensity-based segmentation：基于图像强度的分割方法。
-
Color-based segmentation：基于图像颜色的分割方法。
-
Texture-based segmentation：基于图像纹理的分割方法。
-
Shape-based segmentation：基于图像形状的分割方法。
-
Motion-based segmentation：基于图像序列中对象的运动进行分割。
-
Interactive segmentation：通过用户交互进行图像分割的方法。
-
Local entropy：基于局部熵的图像分割方法。
-
Local binary fitting (LBF)：用于图像分割的局部模型。
-
Adaptive thresholding：根据图像局部特性自动选择阈值的分割方法。
-
Panchromatic sharpening：利用全色图像进行图像分割的方法。
-
Hysteresis thresholding：结合多个阈值的图像分割方法。
-
Maximum likelihood estimation (MLE)：基于最大似然估计的图像分割方法。
-
Support vector machines (SVMs)：用于图像分割的分类器。
