La diferencia entre segmentación de imágenes y segmentación de texturas

La segmentación de texturas consiste en agrupar áreas con características de textura iguales o consistentes en un área grande. La textura es una característica regional que sólo puede reflejarse o medirse dentro de un rango determinado. La segmentación de imágenes ordinaria generalmente se refiere a la segmentación semántica tradicional. En este período de segmentación de imágenes (hace aproximadamente 2010 años), debido a la potencia informática limitada de las computadoras, solo se podían procesar algunas imágenes en escala de grises en la etapa inicial y luego procesar imágenes RGB. Durante este período de segmentación, surgieron algunos métodos que realizaban principalmente la segmentación extrayendo características de bajo nivel de las imágenes: Ostu, FCM, watershed, N-Cut, etc. Esta etapa es generalmente aprendizaje no supervisado y los resultados segmentados no tienen anotaciones semánticas. En otras palabras, lo que está dividido no sabe lo que es.

Posteriormente, con la mejora de la potencia informática, la gente empezó a considerar la obtención de segmentación semántica de imágenes. La semántica actual aquí es toda semántica de bajo nivel, que se refiere principalmente a la categoría del objeto segmentado. En esta etapa (alrededor de 2010 a 2015), la gente consideró utilizar el aprendizaje automático para la segmentación semántica de imágenes.

Con la aparición de FCN, el aprendizaje profundo ha entrado oficialmente en el campo de la segmentación semántica de imágenes. La semántica aquí todavía se refiere principalmente a la categoría del objeto segmentado. A partir de los resultados de la segmentación, podemos saber claramente qué objetos están segmentados, como perros y gatos.

Ahora existe otro método llamado segmentación de instancias, que puede dividir diferentes objetos de la misma categoría en diferentes categorías. Puede saber claramente que las dos personas de la izquierda y la derecha no son la misma.