图像分割是计算机视觉领域的一个重要的研究方向，在上世纪七十年代开始就开始被人们运用在医疗、工业、军事等领域中，而现在热门的自动驾驶也需要使用到图像分割去处理摄像头实时产生的图片来区分道路上不同的目标，比如行人，道路，指示牌等等。

图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。图像分割通常用于定位图像中的物体和边界（线，曲线等）。更精确的，图像分割是对图像中的每个像素加标签的一个过程，这一过程使得具有相同标签的像素具有某种共同视觉特性。图像分割的结果是图像上子区域的集合（这些子区域的全体覆盖了整个图像），或是从图像中提取的轮廓线的集合（例如边缘检测）。一个子区域中的每个像素在某种特性的度量下或是由计算得出的特性都是相似的，例如颜色、亮度、纹理。邻接区域在某种特性的度量下有很大的不同。

从分割的方法讲，有基于区域相关的分割法和基于点相关的分割法。按照算法，有阀值法、界线探测法、匹配法等。现提出的分割算法大都是针对具体问题的，并没有一种适合所有图像的通用分割算法。这一技术通常要与相关领域的知识结合起来，这样才能更有效的解决该领域中的图像分割问题。

传统语义分割，由于计算机计算能力有限，早期只能处理一些灰度图，后来才能处理rgb图，这个时期的分割主要是通过提取图片的低级特征，然后进行分割，涌现了一些方法：Ostu、FCM、分水岭、N-Cut等。这个阶段一般是非监督学习，分割出来的结果并没有语义的标注。随后，随着计算能力的提高，人们开始考虑获得图像的语义分割，这里的语义目前是低级语义，主要指分割出来的物体的类别，这个阶段人们考虑使用机器学习的方法进行图像语义分割。随着FCN的出现，深度学习正式进入图像语义分割领域，这里的语义仍主要指分割出来的物体的类别，从分割结果可以清楚的知道分割出来的是什么物体，比如猫、狗等等。

提过比较现存的图像分割算法，可以比较出各个算法对于多个场景下不同类型的图片的分割效果和其优缺点，方便总结出这些算法各自适合使用的场合。

2. 研究的基本内容与方案

基本内容与目标：

1、 复习数字图像处理和数值分析，以及Matlab图像处理

2、对以下算法进行理论分析与实验对比：1. 经典边缘检测算子，2.Marr 边缘检测法，3. 小波变换多测度边缘检测法，4. 模糊边缘检测法，5. 模糊聚类分割法。

技术方案及措施：

图像的边缘是图像分割所依赖的重要特征，也是形状特征的基础，图像边缘具有方向和幅度两个特征，沿图像边缘方向，像素的亮度值变化比较小；但在垂直于边缘方向，像素的亮度值变化比较剧烈，而这种剧烈变化可呈阶跃状，也可能呈现斜坡状。边缘检测的基本思想就是通过求一阶导数的局部极大值，二阶导数的过零点来体现出来。经典边缘检测算子有：Roberts算子、Sobel算子、Prewitt算子、Kirsch算子、LOG（高斯―拉普拉斯）算子和Canny算子等等。这些方法多是以要处理像素为中心的邻域进行灰度分析，实现对图像边缘的提取，再给出一个阈值来确定哪里是边缘位置。阈值越低，能够检测出的边线越多，结果也就越容易受到图片噪声的影响，并且越容易从图像中挑出不相关的特性。