彭 璟,罗浩宇,赵淦森,林成创,易序晟,陈少洁
1.华南师范大学 计算机学院,广州510663
2.广州市云计算安全与测评技术重点实验室,广州510663
图像分割与图像分类、目标检测同为图像处理技术在计算机视觉应用下的重要研究分支。图像分割,具体可分为语义分割与非语义分割两大类。语义分割,也称像素级分类,是将属于同一对象类的图像部分聚集在一起的任务。相反,非语义分割仅基于单个对象类的一般特征将像素聚集在一起[1]。图像分割技术通常用于定位图像中目标和边界的位置,为图像内容的进一步理解打下良好的基础。
传统的图像分割技术包括基于阈值的方法、基于边缘的方法、基于区域的方法、基于特定理论的方法等[2]。受限于计算机的硬件设备限制,传统的图像分割技术仅能对灰度图像进行处理,后期才逐渐发展到可以对RGB 图像进行处理的阶段,但在分割的精度和效率上仍难以达到实际应用的要求。
近些年来,随着集成电路上可容纳的电子元器件数目不断翻倍,GPU的运算性能越来越强,受益于此的深度学习技术也因此迅猛发展,结合深度学习技术的图像分割算法逐渐成为该领域的主流算法,被广泛应用于移动机器人、自动驾驶、无人机、医学诊断等实际场景中。目前有部分综述研究对基于深度学习的图像分割技术进行了总结。例如文献[3-4],对现有的基于深度学习的图像分割方法做出了综述,为后来的研究者提供了很好的帮助,但是文献[3-4]主要集中于图像分割整个领域,缺乏对某个实际应用场景的单独综述性讲解。……