圖像分割這個基本的問題都有哪些演算法？

圖像分割，顧名思義就是將圖像劃分成若干個具有獨特性質的區域。比如醫學圖像處理中，將病變的部位與其他部位相分割開來。圖像分割是由圖像處理到圖像分析的關鍵步驟，能夠幫助我們進一步的理解圖像。

目前,隨著深度學習的發展，圖像分割就被劃分成傳統方法和深度學習方法。

傳統的圖像分割方法主要是提取圖像的局部或底層特徵如紋理、顏色、直方圖的分布等等，進行圖像的劃分。這些方法有：閾值分割、區域生長法、聚類、分水嶺等等。這些方法本質上都屬於無監督的方法，演算法本身並了解每個區域所代表的含義。此外往往只能進行二類物體分割，如將目標物體和背景分割開來。

而基於深度卷積神經網路的語義分割（semantic segmentation），現如今大放異彩。語義分割就是基於一個語義單元，例如將人、車、樹等目標從圖像中分割出來。藉助於深度神經網路的強大的擬合能力，直接輸入待分割圖片到神經網路中，得到的分割結果同已經標記好的分割圖進行比較，再不斷更新網路的參數，最終收斂到同目標分割相一致。2015年提出的FCN方法是語義分割的開山之作，將圖像級別的語義分類擴展到像素級別的分類。

此外如今還發展出了實例分割（instance segmentation），就是在語義分割的基礎上進行更加細粒度的分割。可以對同一類中的不同物體進行劃分，還可以清楚的指導分割出來的左邊和右邊的兩個人是不是同一個人。（下圖展示了圖像分類、目標檢測、語義分割、實例分割之間的區別）

圖像語義分割的應用十分廣泛，可以作為實現圖像語義理解的預處理步驟，比如看圖說話等等。此外在自動駕駛領域，通過攝像頭拍攝的實時圖像來探測周邊的有哪些物體。