图像分割有很多各种各样的⽅法:1)基于数学统计的⽅法(灰度直⽅图)2)基于纹理的⽅法3)基于阈值的⽅法4)基于深度学习的⽅法5)基于⼏何数学的⽅法。当然这五种⽅法也可以交叉使⽤,总之,挑选适⽤的⽅法效率最⾼,分割效果也最好。 1)基于数学统计的⽅法两少一宽
数学统计主要是分析数据的直⽅图,根据直⽅图中概率模型进⾏分割,如统计图像某⼀个范围内的值所占⽐重,利⽤这种特定 的⽐重去分割图像;或者使⽤聚类的⽅法将图像聚类到不同类别;
2)基于纹理的⽅法
基于纹理的⽅法主要是根据地物纹理的不同特征(粗糙度,相似性等)对图像进⾏分割,主要⽤到灰度共⽣矩阵、分形理论、直⽅图矩等⽅法。纹理分析的⼀个弊端是:不能有效区分纹理相似但属性不同的地物(如⼭地雪和云,其粗糙度和⾃相似性基本⼀致,但是可以分割其他地物);
农村留守儿童教育问题3)基于阈值的⽅法fds
阈值分割通常有两种:经验阈值和⾃适应阈值;在实际应⽤中,经验阈值较为常⽤,可以根据⽣产需求进⾏设定;⾃适应阈值在⾃动化过程中⽤的多,⼀般⾃适应算法都要选择⾃适应阈值。红糜
4)基于深度学习的⽅法
⽬前深度学习还处在⼀个尴尬的时期,去学习⾃然界的地物特征需要⼤量经验的总结,进度缓慢。
5)基于⼏何数学的⽅法
⼏何学是从⾃然界中抽象出来的⼀门学科,其运⾏符合⼀定的⾃然运⾏规律,在某些图像分割中使⽤⼀些简单的⼏何图形(如三⾓形,⽅形,圆形,直线,⾓度,⾯积,周长)(⾼维的有分形⼏何)就可以将⽬标分割出来。timelase上的都好大
崔致远6)⼏种⽅法的结合使⽤
在进⾏图像分割时经常使⽤不同⽅法结合使⽤来达到分割效果良好的状态,分割步骤的不同,使⽤顺序也不同:数学统计的⽅法⼀般作为预处理和中间参考来使⽤(因为它是基于概率统计的,有⼀定 的参考性);纹理的⽅法是作为分割主要策略来进⾏的;阈值分割通常作为最后的分割⼿段,⼏乎在所有图像分割中都要⽤到,是作为结果输出的部分。深度学习迭代需要⼤量的样本进⾏训练,因为数据的供求和样本制作的耗时耗⼒,个⼈不太好做,需要机会。