https://echo360.org.au/lesson/1dff8680-04a8-4cd7-ac45-0822b6f936e9/classroom#sortDirection=desc
总结：
1.Basic Segmentation methods
1) Thresholding
(1) 低于Threshold为background 高于为Foreground ; binary-segmentation
(2) regions有重叠的灰度大小，就难以分割了，要么background变得noisy，要么foreground不整齐
2)K-means clustering
（1）• Could work if the number of clusters is known a priori
（2）有时候regions多，threshold就不好用了，可以用 k-means （例1中用了3-means）
(3) 对于另一些图 k 不好确定，k-means就不太能用
3)Feature extraction and classification
（1）将Image分成patches，然后sliding window提取features 做classification
2.More sophisticated segmentation methods
1) Region splitting and merging**
(1) 计算 Connected Components : 4-connected , 8-connected两种方法计算出的数量是不一样的
（2）Connected Components Algorithm：
1. 从上到下，从左到右，两层遍历所有pixel
2. 如果pixel是object_pixel，检查其Neighbor，neighbour种有label就标上最小的那个label，没有就标上新的
3. 对于相连而不同labels的pixels，记录等价的labels： Equivalence sets {1,2,6} {3,4,5}
4. 再遍历一遍，对于pixel赋值 Equivalence sets中最小的值，背景赋值为0
（3）Region splitting
1. 在直方图中找到最好的分割开peaks的threshold——t (峰谷)，重复直到regions are either fairly uniform or below a certain size
2. 递归版本的分割，从左下的图开始，原始图片入栈，分割图片成几个clusters，几个子图入栈，然后pop出来继续。
（4）Reigion Merging
1.Heuristics-based region merging
2. Graph-based region merging
3.Merging by region growing
2) – Superpixel segmentation
3) – Watershed segmentation
（1） 选几个markers开始，一般是自动选取Local minimum
（2）intensity从下到上，intensity越小，priority越大，入栈
（3）pop出priority最大的pixel，如果它的neighbour全是同一个label，则assign它同样的label，如果neighbour不是全一样，则ignore it
（4）注意：
1.有时候会oversegment，一个object分成好多个，这个时候要么prepossesing要么postprocessing
2.object是白色时，需要intensity inversion 来找local minimum
4)– Conditional random field
5)– Maximally stable extremal regions
6)– Active contour segmentation
7)– Mean-shifting algorithm
1.在特征空间中，随机选择pixel作为start point，计算中心点（带权重的），并把start point迁移到中心点；不断迭代直到收敛
2. 用高斯公式计算权重，离中心点越近的权重越大
3. 优点：
（1）不需要获知 k ， 可以自己找到 number of clusters
（2）只有一个变量
4.缺点：
（1）计算量大，因为要计算所有的k
（2）变量window size很难解释
（3）高维空间难以解释
8)– Level-set segmentation
3.How to evaluate segmentation methods
1) Quantitative evaluation metrics
2)– Receiver operating characteristic