介紹使圖像分割的方法，包括傳統(tǒng)方法和深度學(xué)習(xí)方法，以及應(yīng)用場景。

基于人工智能和深度學(xué)習(xí)方法的現(xiàn)代計算機視覺技術(shù)在過去10年里取得了顯著進展。如今，它被用于圖像分類、人臉識別、圖像中物體的識別、視頻分析和分類以及機器人和自動駕駛車輛的圖像處理等應(yīng)用上。

許多計算機視覺任務(wù)需要對圖像進行智能分割，以理解圖像中的內(nèi)容，并使每個部分的分析更加容易。今天的圖像分割技術(shù)使用計算機視覺深度學(xué)習(xí)模型來理解圖像的每個像素所代表的真實物體，這在十年前是無法想象的。

深度學(xué)習(xí)可以學(xué)習(xí)視覺輸入的模式，以預(yù)測組成圖像的對象類。用于圖像處理的主要深度學(xué)習(xí)架構(gòu)是卷積神經(jīng)網(wǎng)絡(luò)(CNN)，或者是特定的CNN框架，如AlexNet、VGG、Inception和ResNet。計算機視覺的深度學(xué)習(xí)模型通常在專門的圖形處理單元(GPU)上訓(xùn)練和執(zhí)行，以減少計算時間。

什么是圖像分割？

圖像分割是計算機視覺中的一個關(guān)鍵過程。它包括將視覺輸入分割成片段以簡化圖像分析。片段表示目標或目標的一部分，并由像素集或“超像素”組成。圖像分割將像素組織成更大的部分，消除了將單個像素作為觀察單位的需要。圖像分析有三個層次：

分類- 將整幅圖片分成“人”、“動物”、“戶外”等類別

目標檢測- 檢測圖像中的目標并在其周圍畫一個矩形，例如一個人或一只羊。

分割- 識別圖像的部分，并理解它們屬于什么對象。分割是進行目標檢測和分類的基礎(chǔ)。

語義分割 vs. 實例分割

在分割過程本身，有兩個粒度級別：

語義分割- 將圖像中的所有像素劃分為有意義的對象類。這些類是“語義上可解釋的”，并對應(yīng)于現(xiàn)實世界的類別。例如，你可以將與貓相關(guān)的所有像素分離出來，并將它們涂成綠色。這也被稱為dense預(yù)測，因為它預(yù)測了每個像素的含義。

實例分割- 標識圖像中每個對象的每個實例。它與語義分割的不同之處在于它不是對每個像素進行分類。如果一幅圖像中有三輛車，語義分割將所有的車分類為一個實例，而實例分割則識別每一輛車。

傳統(tǒng)的圖像分割方法

還有一些過去常用的圖像分割技術(shù)，但效率不如深度學(xué)習(xí)技術(shù)，因為它們使用嚴格的算法，需要人工干預(yù)和專業(yè)知識。這些包括:

閾值- 將圖像分割為前景和背景。指定的閾值將像素分為兩個級別之一，以隔離對象。閾值化將灰度圖像轉(zhuǎn)換為二值圖像或?qū)⒉噬珗D像的較亮和較暗像素進行區(qū)分。

K-means聚類- 算法識別數(shù)據(jù)中的組，變量K表示組的數(shù)量。該算法根據(jù)特征相似性將每個數(shù)據(jù)點(或像素)分配到其中一組。聚類不是分析預(yù)定義的組，而是迭代地工作，從而有機地形成組。

基于直方圖的圖像分割- 使用直方圖根據(jù)“灰度”對像素進行分組。簡單的圖像由一個對象和一個背景組成。背景通常是一個灰度級，是較大的實體。因此，一個較大的峰值代表了直方圖中的背景灰度。一個較小的峰值代表這個物體，這是另一個灰色級別。

邊緣檢測- 識別亮度的急劇變化或不連續(xù)的地方。邊緣檢測通常包括將不連續(xù)點排列成曲線線段或邊緣。例如，一塊紅色和一塊藍色之間的邊界。

深度學(xué)習(xí)如何助力圖像分割方法

現(xiàn)代圖像分割技術(shù)以深度學(xué)習(xí)技術(shù)為動力。下面是幾種用于分割的深度學(xué)習(xí)架構(gòu)：

使用CNN進行圖像分割，是將圖像的patch作為輸入輸入給卷積神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)對像素進行標記。CNN不能一次處理整個圖像。它掃描圖像，每次看一個由幾個像素組成的小“濾鏡”，直到它映射出整個圖像。

傳統(tǒng)的cnn網(wǎng)絡(luò)具有全連接的層，不能處理不同的輸入大小。FCNs使用卷積層來處理不同大小的輸入，可以工作得更快。最終的輸出層具有較大的感受野，對應(yīng)于圖像的高度和寬度，而通道的數(shù)量對應(yīng)于類的數(shù)量。卷積層對每個像素進行分類，以確定圖像的上下文，包括目標的位置。

集成學(xué)習(xí)將兩個或兩個以上相關(guān)分析模型的結(jié)果合成為單個。集成學(xué)習(xí)可以提高預(yù)測精度，減少泛化誤差。這樣就可以對圖像進行精確的分類和分割。通過集成學(xué)習(xí)嘗試生成一組弱的基礎(chǔ)學(xué)習(xí)器，對圖像的部分進行分類，并組合它們的輸出，而不是試圖創(chuàng)建一個單一的最優(yōu)學(xué)習(xí)者。

DeepLab使用DeepLab的一個主要動機是在幫助控制信號抽取的同時執(zhí)行圖像分割 —— 減少樣本的數(shù)量和網(wǎng)絡(luò)必須處理的數(shù)據(jù)量。另一個動機是啟用多尺度上下文特征學(xué)習(xí) —— 從不同尺度的圖像中聚合特征。DeepLab使用ImageNet預(yù)訓(xùn)練的ResNet進行特征提取。DeepLab使用空洞卷積而不是規(guī)則的卷積。每個卷積的不同擴張率使ResNet塊能夠捕獲多尺度的上下文信息。DeepLab由三個部分組成：

Atrous convolutions— 使用一個因子，可以擴展或收縮卷積濾波器的視場。

ResNet— 微軟的深度卷積網(wǎng)絡(luò)(DCNN)。它提供了一個框架，可以在保持性能的同時訓(xùn)練數(shù)千個層。ResNet強大的表征能力促進了計算機視覺應(yīng)用的發(fā)展，如物體檢測和人臉識別。

Atrous spatial pyramid pooling (ASPP)— 提供多尺度信息。它使用一組具有不同擴展率的復(fù)雜函數(shù)來捕獲大范圍的上下文。ASPP還使用全局平均池(GAP)來合并圖像級特征并添加全局上下文信息。

SegNet neural network一種基于深度編碼器和解碼器的架構(gòu)，也稱為語義像素分割。它包括對輸入圖像進行低維編碼，然后在解碼器中利用方向不變性能力恢復(fù)圖像。然后在解碼器端生成一個分割圖像。

圖像分割的應(yīng)用

圖像分割有助于確定目標之間的關(guān)系，以及目標在圖像中的上下文。應(yīng)用包括人臉識別、車牌識別和衛(wèi)星圖像分析。例如，零售和時尚等行業(yè)在基于圖像的搜索中使用了圖像分割。自動駕駛汽車用它來了解周圍的環(huán)境。

目標檢測和人臉檢測

這些應(yīng)用包括識別數(shù)字圖像中特定類的目標實例。語義對象可以分類成類，如人臉、汽車、建筑物或貓。

人臉檢測- 一種用于許多應(yīng)用的目標檢測，包括數(shù)字相機的生物識別和自動對焦功能。算法檢測和驗證面部特征的存在。例如，眼睛在灰度圖像中顯示為谷地。

醫(yī)學(xué)影像- 從醫(yī)學(xué)影像中提取臨床相關(guān)信息。例如，放射學(xué)家可以使用機器學(xué)習(xí)來增強分析，通過將圖像分割成不同的器官、組織類型或疾病癥狀。這可以減少運行診斷測試所需的時間。

機器視覺- 捕捉和處理圖像，為設(shè)備提供操作指導(dǎo)的應(yīng)用。這包括工業(yè)和非工業(yè)的應(yīng)用。機器視覺系統(tǒng)使用專用攝像機中的數(shù)字傳感器，使計算機硬件和軟件能夠測量、處理和分析圖像。例如，檢測系統(tǒng)為汽水瓶拍照，然后根據(jù)合格 - 不合格標準分析圖像，以確定瓶子是否被正確地填充。

視頻監(jiān)控 — 視頻跟蹤和運動目標跟蹤

這涉及到在視頻中定位移動物體。其用途包括安全和監(jiān)視、交通控制、人機交互和視頻編輯。

自動駕駛自動駕駛汽車必須能夠感知和理解他們的環(huán)境，以便安全駕駛。相關(guān)類別的對象包括其他車輛、建筑物和行人。語義分割使自動駕駛汽車能夠識別圖像中的哪些區(qū)域可以安全駕駛。

虹膜識別一種能識別復(fù)雜虹膜圖案的生物特征識別技術(shù)。它使用自動模式識別來分析人眼的視頻圖像。

人臉識別從視頻中識別個體。這項技術(shù)將從輸入圖像中選擇的面部特征與數(shù)據(jù)庫中的人臉進行比較。

零售圖像識別

這個應(yīng)用讓零售商了解貨架上商品的布局。算法實時處理產(chǎn)品數(shù)據(jù)，檢測貨架上是否有商品。如果有產(chǎn)品缺貨，他們可以找出原因，通知跟單員，并為供應(yīng)鏈的相應(yīng)部分推薦解決方案。

原文標題：深度學(xué)習(xí)中的圖像分割：方法和應(yīng)用

文章出處：【微信公眾號：新機器視覺】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責(zé)任編輯：haq