labelme实例分割_图像分割综述阅读总结

<div>
<p>一、定义： </p>
<p>二、时间： </p>
<p>三、分类 </p>
<p>四、方法(参考)： </p>
<p>1. 传统方法： </p>
<p>2. 结合特点工具的图像分割算法： </p>
<p>3. 基于深度学习的分割 </p>
<p>五、语义分割的应用 </p>
<p>六、语义分割数据集 </p>
<p>1. Common Objects in Context (COCO) </p>
<p>2. PASCAL Visual Object Classes (VOC) </p>
<p>3. ADE20K </p>
<p>4. Cityscapes </p>
<p>5. SYNTHIA </p>
<p>6. SIFT Flow </p>
<p>7. CamVid </p>
<p>8. KITTI </p>
<p>七、度量方法 </p>
<p>1. Confusion matrix （混淆矩阵） </p>
<p>2. Normalized confusion matrix（规范化的混淆矩阵） </p>
<p>3. Accuracy </p>
<p>4. Mean accuracy </p>
<p>5. Mean intersection over union（mIoU） </p>
<p>6. Weighted intersection over union </p>
<p>7. Precision </p>
<p>8. Recall </p>
<p>9. Frames per second（FPS） </p>
<p>10. Memory usage </p>
<p>八、损失函数 </p>
<p>1. Focal 损失 </p>
<p>2. Dice 损失 </p>
<p>3. IoU-平衡损失 </p>
<p>4. 边界损失 </p>
<p>5. 加权交叉熵 </p>
<p>6. Lovász-Softmax 损失 </p>
<h2>定义：</h2>
<p>图像分割是根据灰度，彩色，空间纹理，几何形状等特征把图像划分成若干互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显不同。（<b>简单来说就是把目标从背景中分离处来</b>）。</p>
<p>数学定义：</p>
<p></p>
<div style="text-align:center;">
  <img alt="250d0749fc3e460c981e977b579569ec.png" src="https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/cs/5606289-eb96e105de82bf7be7cd86b46378cc23.png">
</div>
<p></p>
<div style="text-align:center;">
  <img alt="e559bd32fb8df015aac956817279b79c.png" src="https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/cs/5606289-ced802084da163956e826be5aab88678.png">
</div>
<h2>时间：</h2>
<p> 20世纪70年代起 ~ 至今</p>
<h2>分类</h2>
<p>图像分割方法主要可分为两种类型：语义分割和实例分割。语义分割会使用相同的类标签标注同一类目标（下图左），而在实例分割中，相似的目标也会使用不同标签进行标注（下图右）。</p>
<p></p>
<div style="text-align:center;">
  <img alt="c51dba9e5f25f15a6c0fb41bfca8d8d3.png" src="https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/cs/5606289-d288ef693e7ea41e784636d38b6436f7.png">
</div>
<h2>方法(参考)：</h2>
<h3>传统方法：</h3>
<h3>基于阈值的分割方法</h3>
<p><b>基本思想</b>：基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值作比较，最后将像素根据比较结果分到合适的类别中。</p>
<p><b>适用于</b>：目标和背景占据不用灰度级范围的图。</p>
<p><b>优点</b>：计算简单，效率较高</p>
<p><b>缺点</b>：只考虑像素点灰度值本身的特征，一般不考虑空间特征，因此对噪声比较敏感，鲁棒性不高。</p>
<h3>基于区域的图像分割方法（区域生长，区域分裂合并，分水岭方法）</h3>
<h3>区域生长</h3>
<p>从单像素出发，逐步合并以形成所需要的分割区域</p>
<h3>区域分裂合并</h3>
<p><b>定义：</b>从整幅图像出发，不断的分裂得到各个子区域，然后再把前景区域合并，得到需要分割的前景目标，进而实现目标的提取。</p>
<p><b>优点：</b>对复杂图像分割效果好</p>
<p><b>缺点：</b>算法复杂，计算量打；分裂可能破坏区域的边界。</p>
<h3>分水岭算法（基于拓扑理论的数学形态分割方法）</h3>
<p><b>基本思想：</b>把图像看作使测地学上的拓扑地貌，图像中每一点的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。</p>
<p><b>特点：</b>对微弱边缘具有良好的响应；图像中的噪声，物体表面细微的灰度变化都有可能产生过度分割的现象；可以得到封闭的连续边缘。</p>
<p></p>
<div style="text-align:center;">
  <img alt="be0b833f45aee41e63dca7c4c7c427c6.png" src="https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/cs/5606289-f41e4d58184e687bdaa53552372965c6.png">
</div>
<h3>基于边缘检测的分割方法</h3>
<p><b>理论基础</b>：不同区域的边界上像素的灰度值变化比较剧烈，如果将图片从空间域通过傅里叶变换到频率域，边缘就对应着高频部分</p>
<p><b>分类：</b>串行边缘检测（要想确定当前像素点是否属于检测边缘上的一点，取决于先前像素的验证结果）；</p>
<p>并行边缘检测（一个像素点是否属于边缘上的一点取决于当前正在检测的像素点以及域该像素点的一些临近像素点）。</p>
<p><b>优点：</b>边缘定位准确；速度快</p>
<p><b>