《表1 几种传统图像分割方法的性能对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《图像分割方法综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

针对不同的分割任务，可选取的分割技术种类繁多，每种方法都有各自的优劣，适用的情况也不尽相同。为此，本文在分割数据集PASCAL VOC[35]、Microsoft COCO[36]上对几种传统图像分割方法的性能进行了实验效果对比，用不同的分割方法对同一图像进行分割处理，图7左、右列图像分别为不同方法对来源于PASCAL VOC和Microsoft COCO数据集中图像的分割结果。其中，图7（a）为原始灰度图像；图7(b）是OTSU阈值法[1]分割效果，对于灰度区别较大的图像，能够明显地分割出前景目标（人和车）；图7(c）为采用Canny微分算子[9]的并行边缘检测法分割效果，图像中的边缘轮廓信息比较明显，但也存在很多杂乱的噪声点；图7(d）是区域生长法[12]分割效果，能够分割出前景目标，但是目标区域的细节分割不够精细；图7(e）为基于聚类的Mean Shift算法[14]分割效果，使用该算法可以对目标和背景区域进行各自的聚类，实现分割的效果；图7(f）是基于图论的Graph Cut[18]算法的分割效果，能够明显地区分出前景目标和背景，但也引入了噪声点。对比原始灰度图像（图7(a）），从分割效果图（图7(b）～7(f））中可以看出，传统分割方法在分割时会引入很多无关或者没有意义的阴影和区域，有的甚至会出现噪声点（图7(c）），对分割结果造成干扰，无法精准地区分出前景目标和背景。根据传统分割方法的实验效果，对不同分割方法的适用范围、算法难易程度、执行时间、内存占用大小等方面性能进行比较，结果如表1所示。