图像分割：语义分割与实例分割技术全解析
图像分割是计算机视觉中至关重要且具有挑战性的任务，其目标是将图像划分为多个有意义的区域或对象。与目标检测仅提供边界框不同，分割需要在像素级别上对图像进行理解和解析。随着深度学习的发展，图像分割技术已从传统的基于阈值和边缘的方法，演进到如今基于深度神经网络的复杂模型，在医学影像、自动驾驶、机器人视觉等领域发挥着关键作用。
1. 图像分割基础与分类体系
图像分割根据细化程度和任务目标的不同，主要分为三个层次：
1.1 语义分割
语义分割旨在为图像中的每个像素分配一个类别标签，而不区分同一类别的不同实例。例如，在一张街景图中，将所有“汽车”像素标记为同一类别，不区分是第一辆汽车还是第二辆汽车。
1.2 实例分割
实例分割不仅要区分不同语义类别，还要区分同一语义类别的不同个体实例。例如，在街景图中，需要分别标记出每一辆汽车、每一个行人，并为每个实例分配唯一标识。
1.3 全景分割
全景分割是语义分割和实例分割的结合体，旨在同时进行背景类别的语义分割（如天空、道路）和前景对象的实例分割，提供对场景的完整解析。
表：图像分割任务对比
| 任务类型 | 区分不同类别 | 区分同类实例 | 输出示例 |
|---|---|---|---|
| 语义分割 | 是 | 否 | 像素级类别图 |
| 实例分割 | 是 | 是 | 带实例ID的掩码 |
| 全景分割 | 是 | 是（仅前景） | 统一分割图 |
