计算机视觉;目录;目录;目录;目的
?将一张图像细分为符合事先定义的一组准则的多个独立区域。;图像分割;目录;阈值分割;阈值分割;阈值分割;阈值分割;优点：
计算简单，执行速度快。
直观易懂，不需要复杂的数学模型。
在目标与背景有明显灰度差异时效果良好。
缺点：
对光照和噪声敏感，容易产生错误分割。
需要预先确定阈值，不同的图像可能需要不同的阈值。
无法处理复杂背景或目标与背景灰度接近的情况。;目录;根据预定义的相似性准则，逐步将相邻像素合并为具有相似特征的区域。
过程：①从一个“种子像素”开始，将图像中的相邻像素的属性（灰度或颜色）与种子像素进行比较，如果属性相似，就可以将相邻像素附加到生长区域中；②重复上述的生长过程，直到没有满足条件的像素加入区域为止。
;;灰度差异准则计算效率很高，通常能够有效地将相似灰度的像素聚合成区域，而不易受到噪声的干扰(图b)；基于纹理特征的生长准则能够更好地识别图像中的复杂结构和纹理区域，但对没有明显纹理特征的图像表现不敏感(图c)；基于欧几里得距离的相似度准则处理图像简单且计算效率高，但有可能忽略像素间的细微差异，导致区域划分不够精细(图d)。
;优点：
简单直观，易于理解和实现。
适用于具有局部明显特征的图像。
不需要预先设定分割的数目，比较灵活。
缺点：
对参数敏感，种子点选择和生长准则设置影响分割效果。
对光照和噪声敏感，可能导致分割结果不理想。
可能导致过度分割或欠分割。
;目录;通过分裂和合并两个相邻的区域，逐步实现图像分割
步骤:
1）先确定一个分裂合并的准则，即区域特征一致性的测度；
2）当图像中某个区域的特征不一致时就将该区域分裂成4个相等的子区域；
3）当相邻的子区域满足一致性特征时，则将它们合成一个大区域；
4）重复进行步骤（2）和（3）直至所有区域不能再进行分裂或者合并。;分割过程类比为构建四叉树，其中每个叶子节点代表一个一致的区域。分裂和合并相当于四叉树中的删除或添加操作。在分割过程完成后，树的叶子节点数量即对应于分割后的区域数。
;分裂合??法;优点：
适用性广泛，能处理各种类型的图像。
自动化程度高，能在少量用户干预下完成分割。
能够处理较大的图像和复杂的结构。
缺点：
计算复杂度高，对大型或高分辨率图像要求较高。
对参数敏感，需要精细的参数调整。
在处理复杂图像时，可能产生过度或欠分割的问题。
;目录;分水岭算法;分水岭算法;分水岭算法;优点：
能够有效处理具有不同灰度级和颜色的图像。
能够识别和分割图像中的多个物体或者区域。
在视觉上产生连续的分割边界。
缺点：
易于产生过分割，产生大量的细小区域
计算复杂度高，尤其是在处理大型图像时。
需要预处理步骤，如灰度变换或梯度计算，以便选择合适的分水岭标记。
;目录;全卷积FCN分割网络;全卷积FCN分割网络;全卷积FCN分割网络;全卷积FCN分割网络;全卷积FCN分割网络;全卷积FCN分割网络;目录;U-net分割网络;U-net分割网络;U-net分割网络;U-net分割网络;U-net分割网络;目录;DeepLab系列分割网络;DeepLab系列分割网络;DeepLab系列分割网络;DeepLab系列分割网络;DeepLab系列分割网络;DeepLab系列分割网络;DeepLab系列分割网络;DeepLab系列分割网络;DeepLab系列分割网络;DeepLab系列分割网络;目录;预训练大模型分割网络-SAM;预训练大模型分割网络-SAM;预训练大模型分割网络-SAM;预训练大模型分割网络-SAM;预训练大模型分割网络-SAM;谢谢！;计算机视觉;;什么是纹理特征(Texture); 纹理最明显的视觉特征是粗糙性、方向性和周期性。粗糙性指纹理表面的细节程度，可以是细腻的或粗糙的。方向性表示纹理中存在特定方向的元素或模式，可以是水平、垂直或斜向的。周期性指纹理中的元素或模式在空间中以某种规律重复出现。这些视觉特征对于纹理的识别和描述起着重要的作用，也是纹理特征提取方法的基础。;什么是纹理特征(Texture);;经典的纹理分析方法;灰度共生矩阵(GLDM)的统计方法是20世纪70年代初由R.Haralick等人提出，其在假定图像中各像素间的空间分布关系包含了图像纹理信息的前提下，提出了具有广泛性的纹理分析方法。;定义方向为θ，间隔为d的灰度共生矩阵[??(??,??,??,θ)]_(??×??)，??(??,??,??,θ)为共生矩阵第i行第j列元素的值,它是以灰度级i为起点,在给定空间距离d和方向θ时,出现灰度级j的概率。L为灰度级的数目,θ一般取0°、45°、90°、135°等方向,以0_??轴为起始,逆时针方向计算。右图(a)为一幅4×5图像,当给定d=