張艷紅 楊思 徐增波
摘 要：圖像分割技術已廣泛應用於服裝、醫療、工業等諸多領域。總結了常用服裝圖像分割方法，闡述圖像分割技術在織物疵點檢驗、織物圖案輪廓提取、服裝樣板和服裝圖像輪廓提取、服裝款式圖提取、服裝廓形識別以及服裝圖像檢索等方面的研究與應用，指出該技術在服裝領域的發展趨勢。藉助圖像分割技術可從服裝圖像中快速提取服裝款式信息、結構元素，提高款式設計和製版效率，促進服裝行業智能化、一體化發展。
關鍵詞：圖像處理;圖像分割;邊緣檢測;輪廓提取;服裝設計智能化
DOI： 10. 11907/rjdk.191822
開放科學（資源服務）標識碼（OSID）：
中圖分類號：TP317.4
文獻標識碼：A
文章編號：1672-7800（2020）004-0238-04
0 引言
近幾年，服裝消費逐漸向個性化轉變，傳統服裝設計模式已無法滿足消費者需求。隨著計算機圖像處理技術的不斷進步，服裝設計向著智能化、一體化方向發展。20世紀80年代初，該技術應用於纖維、紗線、面料、成衣檢測等諸多方面，有效避免了主觀評定的不確定性，檢測結果更加科學、客觀。
圖像分割是圖像處理技術的關鍵，其原理是利用圖像灰度值的不連續性或相似性，將圖像分成若干個具有獨特屬性的區域[1]。藉助圖像分割技術可從服裝圖像中快速提取服裝款式信息，提高製版效率;幫助設計師快速獲取感興趣的服裝元素，提高設計效率;輔助消費者快速檢索出滿意的服裝款式等。
1 常用服裝圖像分割方法
按照有無背景可將服裝圖像分為無背景圖像和有背景圖像兩類。無背景服裝圖像主要指圖像中只包含服裝，背景單一（通常為純色），此類圖像處理相對簡單，如圖1所示;有背景服裝圖像如圖2所示。由於背景容易產生噪聲，進行圖像處理時操作較複雜。
服裝圖像分割的目的是過濾無用信息，從服裝圖像中提取所需目標區域，例如服裝輪廓、服裝結構線、服裝部件等。傳統的圖像分割方法主要有閾值分割、邊界分割、區域分割[2]等，這些方法僅適用於背景簡單的物體分割;針對背景複雜的服裝圖像常用方法有Graph Cuts、Mean Shift、G rabCut等算法[3]，其中Craph Cuts和GrabCut屬於交互式圖像分割，需要藉助人工，容易受主觀因素影響。針對服裝圖像中存在多個目標和遮擋導致分割準確率較低問題，學者提出了多目標服裝圖像的協同分割方法[4-5]，利用圖像顏色、形狀、輪廓等信息實現一系列服裝圖像的區域分割。與傳統方法相比，該方法可以有效解決圖像遮擋問題，更加精確地分割出目標圖像。
2 圖像分割技術應用
2.1 織物疵點檢驗
利用圖像處理技術進行織物疵點檢驗，可以有效避免傳統織物疵點檢驗存在的效率低、漏檢率高、結果波動性大等弊端。針對目標與背景灰度值差異較大的織物圖像，通常採用閾值分割與形態學相結合的方法進行疵點檢驗[6]，該方法操作簡單、運算量小，適用範圍單一;針對紋理較複雜的織物圖像，通常利用小波變換[7]、傅立葉變換[8]、Con-tourlet變換[9]等方法，將圖像轉換到頻域，利用紋理特徵的變化區分疵點。
針對織物疵點檢驗，鍾小勇等[10]採用局部閾值算法進行圖像分割;李紅梅[11]提出改進的Otsu算法，在同時滿足類間方差最大和類內方差最小的條件下進行閾值分割，算法適應性更好;趙靜等[12]提出基於最大熵的圖像分割算法，該算法最大限度地保留了圖像中的疵點信息;杜磊等[13]對比4種算法的疵點檢測效果得出排序：局部閾值分割算法>Otsu算法>最大熵閾值法>改進的Otsu算法。基於上述算法，管聲啟等[14]提出了一種基於目標特徵的織物疵點分割方法。該算法利用疵點稀少特徵分割疵點，與傳統檢測方法相比具有更好的準確性與魯棒性。
2.2 織物圖案輪廓提取
印花織物中的圖案在進行分色製版時通常依賴於手工藝，對工人的技術水平要求高，且製作複雜、耗時，無法適應當今印花行業高質量、多品種、高效率需求。對此，一些學者嘗試利用圖像分割技術提取織物印花輪廓[15-17]，通過多尺度組合和配色，實現圖案的二次利用，豐富印花種類。其中，常用的輪廓提取方法是藉助Canny、Roberts、So-bel、Log等邊緣檢測運算元。由於印染織物紋理複雜且印花色彩繁多，容易產生噪聲干擾，導致傳統輪廓提取算法無法精確地提取完整的印花輪廓。
針對上述問題，張海霞[18]採用基於區域分割的多尺度分割算法對印花圖像進行平滑、分割處理，圖像邊緣信息和結構信息保存較為完整;孫波[19]採用基於總差變模型的算法分解圖像中的結構信息和紋理信息，之後利用Canny運算元進行輪廓提取，如圖3所示。經過3次平滑疊代得到的目標圖像在消除紋理干擾的同時保留完整的圖像細節，分割後的圖像輪廓與原圖輪廓具有較高的契合度，可以較好地用於後續填色、配色處理;為提高印花檢測精度，曹麗等[20]叫將顏色和紋理特徵相融合，克服了僅依靠紋理或顏色特徵進行分割造成的圖像失真，提高了目標圖像的分割質量，但對於分割色彩更為複雜的織物圖像仍需進一步改進算法。
2.3 服裝樣板輪廓提取
計算機製版軟體的開發與應用大大簡化了手工繪圖，有效提高了製圖效率與準確性。利用計算機圖像處理技術，將服裝樣板轉化為製版軟體可編輯的數據形式，既可減少樣版的存儲空間，又可實現樣板再利用，具有重要的研究與應用價值。對此，周佳等[21]以普通服裝樣板作為測試樣版，利用Canny邊緣檢測和形態學相結合的方法提取樣板輪廓，並將獲得的單像素輪廓存儲為矢量圖用於後續編輯處理，如圖4所示。該算法的實現可有效提高實際生產中服裝製版、修版、改版的效率。
2.4 服裝圖像輪廓提取
快速而又精確地提取服裝輪廓是服裝識別的關鍵。針對該問題，Kass等[22]基於輪廓逼近原理提出了主動輪廓模型，其弊端是容易導致能量函數的局部極小值;在此基礎上，Xu等[23]提出GVF方法，有效擴大了初始輪廓線的捕獲範圍，但算法的實時性較差。目前，最常用的輪廓提取方法是利用邊緣檢測運算元，但該方法僅適用於背景與目標灰度值差異較大的純色服裝圖像，算法的適用性、準確性較差。對於相對複雜的服裝圖像，尤其是帶有印花的服裝圖像，如果輪廓灰度值與背景相近，受紋理噪聲的影響，容易形成不規則的內凹曲線。
針對上述問題，安立新[24]利用多項式擬合依次提取服裝圖像的分支輪廓，並引入輪廓誤差，刪除紋理噪聲，獲得最終輪廓，如圖5所示。該算法在避免關鍵數據被平滑掉的基礎上，順滑曲線，簡化算法，有效提高了運行效率;為實現服裝圖像的分類識別，李東[25]採用傅立葉描述子表征服裝輪廓特徵，通過選取合適的特徵分量重構服裝輪廓。由於傅立葉描述子獨特的尺度不變性，使該算法非常適用於後續服裝圖像的識別。
2.5 服裝款式圖提取
隨著消費者對服裝款式需求的不斷提高，傳統服裝設計模式已經無法滿足消費者個性化需求。利用圖像分割技術從服裝圖像中提取所需服裝款式（衣領、口袋等），構建服裝款式資料庫，可實現服裝款式的二次利用，幫助設計師快速獲取感興趣的服裝設計要素，在滿足消費者個性化需求的同時，提高設計效率。該方法適用於圖像大批量處理，非常符合服裝氽業需求。
對此，周廣君[26]利用自適應種子生長算法從圖像中分割出服裝區域，對其進行量化處理，通過相應的匹配規則獲取服裝的款式屬性;安立新[27]提出了一種從成衣圖像中提取服裝款式圖的算法。該算法分為服裝輪廓提取和服裝內部細節提取兩部分。首先通過形態學方法提取服裝初始輪廓;其次設定支點，採用多項式擬合方法得到光滑輪廓曲線;最後通過對稱點交互式操作依次提取服裝內部結構線，獲得完整的服裝款式圖，如圖6所示。該算法的效率明顯優於GVF snake算法，適用於大多數服裝圖像的款式圖提取。此外，對稱點的運用有效簡化了內部複雜結構線的提取。不足之處是需要人工配合，沒有完全實現智能化。
2.6 服裝廓形識別與量化
對於背景複雜的服裝圖像，快速、精確地將目標圖像從背景中分割出來是圖像處理的關鍵。為此，有研究學者[28-29]結合圖像視覺顯著性計算與圖像分割思想提出了目標分割算法;黃磊等[30]將CraphCut與顯著性計算相融合進行圖像分割，取得了良好效果。
針對服裝圖像中服裝區域的自動分割和結構提取，劉正東[31]結合JSeg算法和圖像顯著性計算，利用人臉檢測輔助判別背景區域與人體著裝區域，如圖7所示。該算法有效避免了人機互動的干擾，提高了批量處理效率。基於上述研究，有學者[32-33]提出基於人體分割技術的女裝廓形尺寸資料庫構建方法，通過人臉檢測和皮膚檢測，從背景中分割出著裝人體，之後按照人體比例對服裝廓形進行測量、分類。該方法可以準確量化服裝廓形，適用於大部分服裝廓形的尺寸提取。利用圖像處理技術量化服裝廓形可以判斷服裝廓形，把握服裝廓形趨勢。
2.7 服裝圖像檢索
在線購衣的興起，促進了圖像檢索技術的發展。服裝圖像檢索結果的準確度主要依賴於服裝圖像的分割和款式特徵提取。快速、精確地從複雜的服裝圖像中提取服裝信息是圖像檢索的關鍵。常用的服裝圖像檢索方法大多基於服裝的顏色、紋理、形狀等特徵[34]，單一的圖像特徵無法全面表征服裝整體，因此算法檢測準確性較低。採用多特徵融合的方法對服裝圖像進行檢索，與傳統算法相比，具有更高的查全率與查准率。
為消除圖像背景影響，胡玉平等[35]提出改進的Crab-Cut算法，優化其能量函數，改進分水嶺算法。該算法採用多尺度分水嶺方法去噪，降低計算量，增加圖像邊緣;採取熵懲罰因子最優能量函數，減少了圖像有效信息的丟失。與同類算法相比，該算法有效提高了圖像檢索準確性、查准率以及查全率。為提高圖像分割準確率，黃冬艷等[36]提出了服裝聯合分割算法，利用E-SVM（ exemplar supporvector machine）模板提取目標圖像與服裝數據集的服裝區域，採用改進的服裝顏色特徵和區域特徵進行特徵匹配，實現服裝圖像檢索。該算法改善了傳統算法中因人體遮擋或缺失帶來的分割不準確缺陷，具有較高的魯棒性和檢索準確率。
3 結語
隨著圖像處理技術的快速發展，服裝圖像分割技術已廣泛應用於織物疵點檢驗、織物圖案輪廓提取、服裝樣板和服裝圖像輪廓提取、服裝款式圖提取、服裝廓形識別以及服裝圖像檢索等諸多方面。該技術的應用有效改善了傳統方法效率低、主觀性大等弊端。但是，在服裝款式圖提取方面，由於服裝款式的多樣性、複雜性，現有算法僅適用於結構簡單的服裝款式圖提取，算法的魯棒性與適用性仍需進一步提高。同時，在服裝圖像檢索方面，目前研究主要基於圖像底層特徵的提取，如何運用高級感官實現服裝面料效果、服裝風格的檢索，是當下服裝圖像檢索研究的趨勢和熱點。
隨著圖像分割技術研究的不斷深入，對算法的適用性、魯棒性要求越來越高，但目前為止，還不存在適用於所有圖像的圖像分割算法;同時，由於應用範圍不斷擴大，對圖像分割質量的要求也不斷提高。因此，要將現有研究與新理論、新技術相結合，使圖像分割技術向著更加智能化、高效化方向發展。
參考文獻：
[1]姜楓，顧慶，郝慧珍，等.基於內容的圖像分割方法綜述[J].軟體學報，2017，28（1）：160-183.
[2]張濤，齊永奇.MATLAB圖像處理編程與應用[M].北京：機械工業出版社.2014.
[3] 侯紅英，高甜，李桃.圖像分割方法綜述[J].電腦知識與技術，2019，15（ 5）：176-177.
[4]
摘 要：圖像分割技術已廣泛應用於服裝、醫療、工業等諸多領域。總結了常用服裝圖像分割方法，闡述圖像分割技術在織物疵點檢驗、織物圖案輪廓提取、服裝樣板和服裝圖像輪廓提取、服裝款式圖提取、服裝廓形識別以及服裝圖像檢索等方面的研究與應用，指出該技術在服裝領域的發展趨勢。藉助圖像分割技術可從服裝圖像中快速提取服裝款式信息、結構元素，提高款式設計和製版效率，促進服裝行業智能化、一體化發展。
關鍵詞：圖像處理;圖像分割;邊緣檢測;輪廓提取;服裝設計智能化
DOI： 10. 11907/rjdk.191822
開放科學（資源服務）標識碼（OSID）：
中圖分類號：TP317.4
文獻標識碼：A
文章編號：1672-7800（2020）004-0238-04
0 引言
近幾年，服裝消費逐漸向個性化轉變，傳統服裝設計模式已無法滿足消費者需求。隨著計算機圖像處理技術的不斷進步，服裝設計向著智能化、一體化方向發展。20世紀80年代初，該技術應用於纖維、紗線、面料、成衣檢測等諸多方面，有效避免了主觀評定的不確定性，檢測結果更加科學、客觀。
圖像分割是圖像處理技術的關鍵，其原理是利用圖像灰度值的不連續性或相似性，將圖像分成若干個具有獨特屬性的區域[1]。藉助圖像分割技術可從服裝圖像中快速提取服裝款式信息，提高製版效率;幫助設計師快速獲取感興趣的服裝元素，提高設計效率;輔助消費者快速檢索出滿意的服裝款式等。
1 常用服裝圖像分割方法
按照有無背景可將服裝圖像分為無背景圖像和有背景圖像兩類。無背景服裝圖像主要指圖像中只包含服裝，背景單一（通常為純色），此類圖像處理相對簡單，如圖1所示;有背景服裝圖像如圖2所示。由於背景容易產生噪聲，進行圖像處理時操作較複雜。
服裝圖像分割的目的是過濾無用信息，從服裝圖像中提取所需目標區域，例如服裝輪廓、服裝結構線、服裝部件等。傳統的圖像分割方法主要有閾值分割、邊界分割、區域分割[2]等，這些方法僅適用於背景簡單的物體分割;針對背景複雜的服裝圖像常用方法有Graph Cuts、Mean Shift、G rabCut等算法[3]，其中Craph Cuts和GrabCut屬於交互式圖像分割，需要藉助人工，容易受主觀因素影響。針對服裝圖像中存在多個目標和遮擋導致分割準確率較低問題，學者提出了多目標服裝圖像的協同分割方法[4-5]，利用圖像顏色、形狀、輪廓等信息實現一系列服裝圖像的區域分割。與傳統方法相比，該方法可以有效解決圖像遮擋問題，更加精確地分割出目標圖像。
2 圖像分割技術應用
2.1 織物疵點檢驗
利用圖像處理技術進行織物疵點檢驗，可以有效避免傳統織物疵點檢驗存在的效率低、漏檢率高、結果波動性大等弊端。針對目標與背景灰度值差異較大的織物圖像，通常採用閾值分割與形態學相結合的方法進行疵點檢驗[6]，該方法操作簡單、運算量小，適用範圍單一;針對紋理較複雜的織物圖像，通常利用小波變換[7]、傅立葉變換[8]、Con-tourlet變換[9]等方法，將圖像轉換到頻域，利用紋理特徵的變化區分疵點。
針對織物疵點檢驗，鍾小勇等[10]採用局部閾值算法進行圖像分割;李紅梅[11]提出改進的Otsu算法，在同時滿足類間方差最大和類內方差最小的條件下進行閾值分割，算法適應性更好;趙靜等[12]提出基於最大熵的圖像分割算法，該算法最大限度地保留了圖像中的疵點信息;杜磊等[13]對比4種算法的疵點檢測效果得出排序：局部閾值分割算法>Otsu算法>最大熵閾值法>改進的Otsu算法。基於上述算法，管聲啟等[14]提出了一種基於目標特徵的織物疵點分割方法。該算法利用疵點稀少特徵分割疵點，與傳統檢測方法相比具有更好的準確性與魯棒性。
2.2 織物圖案輪廓提取
印花織物中的圖案在進行分色製版時通常依賴於手工藝，對工人的技術水平要求高，且製作複雜、耗時，無法適應當今印花行業高質量、多品種、高效率需求。對此，一些學者嘗試利用圖像分割技術提取織物印花輪廓[15-17]，通過多尺度組合和配色，實現圖案的二次利用，豐富印花種類。其中，常用的輪廓提取方法是藉助Canny、Roberts、So-bel、Log等邊緣檢測運算元。由於印染織物紋理複雜且印花色彩繁多，容易產生噪聲干擾，導致傳統輪廓提取算法無法精確地提取完整的印花輪廓。
針對上述問題，張海霞[18]採用基於區域分割的多尺度分割算法對印花圖像進行平滑、分割處理，圖像邊緣信息和結構信息保存較為完整;孫波[19]採用基於總差變模型的算法分解圖像中的結構信息和紋理信息，之後利用Canny運算元進行輪廓提取，如圖3所示。經過3次平滑疊代得到的目標圖像在消除紋理干擾的同時保留完整的圖像細節，分割後的圖像輪廓與原圖輪廓具有較高的契合度，可以較好地用於後續填色、配色處理;為提高印花檢測精度，曹麗等[20]叫將顏色和紋理特徵相融合，克服了僅依靠紋理或顏色特徵進行分割造成的圖像失真，提高了目標圖像的分割質量，但對於分割色彩更為複雜的織物圖像仍需進一步改進算法。
2.3 服裝樣板輪廓提取
計算機製版軟體的開發與應用大大簡化了手工繪圖，有效提高了製圖效率與準確性。利用計算機圖像處理技術，將服裝樣板轉化為製版軟體可編輯的數據形式，既可減少樣版的存儲空間，又可實現樣板再利用，具有重要的研究與應用價值。對此，周佳等[21]以普通服裝樣板作為測試樣版，利用Canny邊緣檢測和形態學相結合的方法提取樣板輪廓，並將獲得的單像素輪廓存儲為矢量圖用於後續編輯處理，如圖4所示。該算法的實現可有效提高實際生產中服裝製版、修版、改版的效率。
2.4 服裝圖像輪廓提取
快速而又精確地提取服裝輪廓是服裝識別的關鍵。針對該問題，Kass等[22]基於輪廓逼近原理提出了主動輪廓模型，其弊端是容易導致能量函數的局部極小值;在此基礎上，Xu等[23]提出GVF方法，有效擴大了初始輪廓線的捕獲範圍，但算法的實時性較差。目前，最常用的輪廓提取方法是利用邊緣檢測運算元，但該方法僅適用於背景與目標灰度值差異較大的純色服裝圖像，算法的適用性、準確性較差。對於相對複雜的服裝圖像，尤其是帶有印花的服裝圖像，如果輪廓灰度值與背景相近，受紋理噪聲的影響，容易形成不規則的內凹曲線。
針對上述問題，安立新[24]利用多項式擬合依次提取服裝圖像的分支輪廓，並引入輪廓誤差，刪除紋理噪聲，獲得最終輪廓，如圖5所示。該算法在避免關鍵數據被平滑掉的基礎上，順滑曲線，簡化算法，有效提高了運行效率;為實現服裝圖像的分類識別，李東[25]採用傅立葉描述子表征服裝輪廓特徵，通過選取合適的特徵分量重構服裝輪廓。由於傅立葉描述子獨特的尺度不變性，使該算法非常適用於後續服裝圖像的識別。
2.5 服裝款式圖提取
隨著消費者對服裝款式需求的不斷提高，傳統服裝設計模式已經無法滿足消費者個性化需求。利用圖像分割技術從服裝圖像中提取所需服裝款式（衣領、口袋等），構建服裝款式資料庫，可實現服裝款式的二次利用，幫助設計師快速獲取感興趣的服裝設計要素，在滿足消費者個性化需求的同時，提高設計效率。該方法適用於圖像大批量處理，非常符合服裝氽業需求。
對此，周廣君[26]利用自適應種子生長算法從圖像中分割出服裝區域，對其進行量化處理，通過相應的匹配規則獲取服裝的款式屬性;安立新[27]提出了一種從成衣圖像中提取服裝款式圖的算法。該算法分為服裝輪廓提取和服裝內部細節提取兩部分。首先通過形態學方法提取服裝初始輪廓;其次設定支點，採用多項式擬合方法得到光滑輪廓曲線;最後通過對稱點交互式操作依次提取服裝內部結構線，獲得完整的服裝款式圖，如圖6所示。該算法的效率明顯優於GVF snake算法，適用於大多數服裝圖像的款式圖提取。此外，對稱點的運用有效簡化了內部複雜結構線的提取。不足之處是需要人工配合，沒有完全實現智能化。
2.6 服裝廓形識別與量化
對於背景複雜的服裝圖像，快速、精確地將目標圖像從背景中分割出來是圖像處理的關鍵。為此，有研究學者[28-29]結合圖像視覺顯著性計算與圖像分割思想提出了目標分割算法;黃磊等[30]將CraphCut與顯著性計算相融合進行圖像分割，取得了良好效果。
針對服裝圖像中服裝區域的自動分割和結構提取，劉正東[31]結合JSeg算法和圖像顯著性計算，利用人臉檢測輔助判別背景區域與人體著裝區域，如圖7所示。該算法有效避免了人機互動的干擾，提高了批量處理效率。基於上述研究，有學者[32-33]提出基於人體分割技術的女裝廓形尺寸資料庫構建方法，通過人臉檢測和皮膚檢測，從背景中分割出著裝人體，之後按照人體比例對服裝廓形進行測量、分類。該方法可以準確量化服裝廓形，適用於大部分服裝廓形的尺寸提取。利用圖像處理技術量化服裝廓形可以判斷服裝廓形，把握服裝廓形趨勢。
2.7 服裝圖像檢索
在線購衣的興起，促進了圖像檢索技術的發展。服裝圖像檢索結果的準確度主要依賴於服裝圖像的分割和款式特徵提取。快速、精確地從複雜的服裝圖像中提取服裝信息是圖像檢索的關鍵。常用的服裝圖像檢索方法大多基於服裝的顏色、紋理、形狀等特徵[34]，單一的圖像特徵無法全面表征服裝整體，因此算法檢測準確性較低。採用多特徵融合的方法對服裝圖像進行檢索，與傳統算法相比，具有更高的查全率與查准率。
為消除圖像背景影響，胡玉平等[35]提出改進的Crab-Cut算法，優化其能量函數，改進分水嶺算法。該算法採用多尺度分水嶺方法去噪，降低計算量，增加圖像邊緣;採取熵懲罰因子最優能量函數，減少了圖像有效信息的丟失。與同類算法相比，該算法有效提高了圖像檢索準確性、查准率以及查全率。為提高圖像分割準確率，黃冬艷等[36]提出了服裝聯合分割算法，利用E-SVM（ exemplar supporvector machine）模板提取目標圖像與服裝數據集的服裝區域，採用改進的服裝顏色特徵和區域特徵進行特徵匹配，實現服裝圖像檢索。該算法改善了傳統算法中因人體遮擋或缺失帶來的分割不準確缺陷，具有較高的魯棒性和檢索準確率。
3 結語
隨著圖像處理技術的快速發展，服裝圖像分割技術已廣泛應用於織物疵點檢驗、織物圖案輪廓提取、服裝樣板和服裝圖像輪廓提取、服裝款式圖提取、服裝廓形識別以及服裝圖像檢索等諸多方面。該技術的應用有效改善了傳統方法效率低、主觀性大等弊端。但是，在服裝款式圖提取方面，由於服裝款式的多樣性、複雜性，現有算法僅適用於結構簡單的服裝款式圖提取，算法的魯棒性與適用性仍需進一步提高。同時，在服裝圖像檢索方面，目前研究主要基於圖像底層特徵的提取，如何運用高級感官實現服裝面料效果、服裝風格的檢索，是當下服裝圖像檢索研究的趨勢和熱點。
隨著圖像分割技術研究的不斷深入，對算法的適用性、魯棒性要求越來越高，但目前為止，還不存在適用於所有圖像的圖像分割算法;同時，由於應用範圍不斷擴大，對圖像分割質量的要求也不斷提高。因此，要將現有研究與新理論、新技術相結合，使圖像分割技術向著更加智能化、高效化方向發展。
參考文獻：
[1]姜楓，顧慶，郝慧珍，等.基於內容的圖像分割方法綜述[J].軟體學報，2017，28（1）：160-183.
[2]張濤，齊永奇.MATLAB圖像處理編程與應用[M].北京：機械工業出版社.2014.
[3] 侯紅英，高甜，李桃.圖像分割方法綜述[J].電腦知識與技術，2019，15（ 5）：176-177.
[4]
收藏