简介：本文系统梳理图像分割技术从传统算法到深度学习的演进脉络，深入解析语义分割、实例分割与全景分割的核心差异，详细阐述FCN、U-Net、DeepLab等经典模型的设计思想，并探讨量子计算、半监督学习等前沿方向如何破解标注数据稀缺与复杂场景适应难题，帮助读者构建完整的图像分割技术知识体系与应用选型框架。
图像分割是计算机视觉领域的核心基础任务之一，其本质目标是将数字图像划分为若干互不相交且具有语义一致性的区域，使得同一区域内的像素在颜色、纹理、灰度或语义属性上呈现高度相似性，而不同区域之间则存在显著差异。与图像分类（整幅图像输出一个标签）和目标检测（以边界框定位对象）不同，图像分割要求在像素级完成精确标注，为每个像素赋予所属类别或对象实例的标识，因此也被视为计算机视觉中最精细的感知任务。
从数学视角看，图像分割可定义为：给定输入图像$I$（尺寸为$W \times H$），分割算法输出一个标签映射$S$，其中$S(i,j) \in {1,2,\cdots,K}$表示位于坐标$(i,j)$的像素所属的区域或类别。这一形式化定义揭示了分割任务的核心挑战：如何在保留图像空间结构信息的同时，对每个像素做出准确的语义判别。
分割结果的精确性直接决定了上层视觉任务的性能上限。在自动驾驶系统中，道路、车辆、行人的像素级精确分割是路径规划与避障决策的前提；在医学影像分析中，器官或病灶区域的精确勾画直接影响诊断结论的可靠性；在工业质检场景，缺陷区域的精准定位决定了产品良率判定的准确性。因此，图像分割技术的研究与优化始终是学术界与工业界共同关注的焦点。
图像分割并非单一任务，而是包含多个层次、不同精细度的任务家族，理解各任务之间的差异对于选择合适的技术方案至关重要。
语义分割是最基础的分割任务形式，其目标是为图像中的每个像素分配一个语义类别标签，如”道路””天空””建筑物””行人”等。语义分割不区分同一类别中的不同个体——例如画面中有三位行人，所有行人的像素都会被标注为”行人”类别，但不区分”行人A”与”行人B”。这种”按类划分”的特性使得语义分割在场景理解、自动驾驶道路区域识别等场景中应用广泛。
实例分割在语义分割的基础上更进一步，不仅需要识别像素的语义类别，还需要区分同一类别中的不同对象实例。以一张包含多辆汽车的道路图像为例，实例分割不仅将所有汽车像素标注为”汽车”，还需要将每一辆汽车分别赋予独立的实例ID，从而精确划定每辆车的像素边界。实例分割通常采用”先检测后分割”或”端到端掩码预测”两种技术路线，前者先通过目标检测获取候选框，再在框内完成像素级分割；后者则直接回归每个实例的掩码。
全景分割是近年来兴起的高阶任务，它将语义分割与实例分割统一到同一框架中。具体而言，全景分割将图像中的物体分为两类：stuff（无固定形状的背景类别，如天空、草地、墙壁）和thing（有明确边界的可数对象类别，如人、车、动物）。对于stuff类别，进行语义分割标注；对于thing类别，进行实例分割标注。全景分割输出的结果能够同时呈现”哪里是什么”以及”哪一个对象在哪里”，为完整的场景理解提供了统一表征。
图像分割技术发展数十年，积累了大量方法论成果。按技术范式可大致划分为传统算法与深度学习方法两大阵营，二者在适用场景、精度表现与计算开销上各具特色。
传统图像分割方法不依赖大规模标注数据，主要基于图像的低层特征进行区域划分，常见的方法包括：
基于阈值的分割：假设目标与背景在灰度值上存在明显差异，通过选取一个或多个灰度阈值$T$，将像素归类为$f(x,y) > T$（目标）与$f(x,y) \leq T$（背景）。Otsu大津法等自适应阈值方法能够根据图像灰度直方图自动计算最优阈值，在文档二值化、细胞计数等场景仍有应用价值，但对光照不均和噪声敏感的缺陷限制了其应用边界。
基于边缘的分割：边缘是图像中灰度剧烈变化的位置，通常对应物体的轮廓。基于边缘的分割方法先通过Sobel、Canny等算子检测边缘像素，再通过边缘连接与闭合形成区域边界。Canny算子凭借双阈值检测与滞后处理的机制，在边缘检测环节表现稳定，但由边缘到完整封闭区域的构建过程在弱边缘和纹理复杂区域容易失效。
基于区域的分割：该方法以像素的相似性为聚合准则，代表性算法包括区域生长、区域分裂合并等。区域生长从一组种子像素出发，逐步吸纳满足相似性条件的邻近像素，直至收敛；分裂合并法则迭代地将图像划分为均匀子块再反向合并。这类方法对初始种子点位置和相似性阈值较为敏感。
基于特定理论的分割：包括基于聚类的方法（如K-means、模糊C均值）、基于图论的方法（如Graph Cut、Normalized Cut）等。基于图论的方法将图像映射为加权图，通过最小割或谱聚类求解最优划分，能够较好处理全局一致性，但计算复杂度较高。
深度学习的引入使图像分割精度实现了质的飞跃。卷积神经网络（CNN）能够自动学习从低层边缘纹理到高层语义的多尺度特征，极大提升了对复杂场景的适应能力。
FCN（全卷积网络）：作为深度学习分割的开山之作，FCN将传统CNN中的全连接层替换为卷积层，使网络能够接受任意尺寸输入并输出与输入同尺寸的密集预测。FCN通过跳跃结构融合浅层细节信息与深层语义信息，缓解了逐层池化导致的空间分辨率损失，为后续分割网络奠定了”编码-解码”的基本范式。
U-Net架构：U-Net于2015年提出，最初面向医学图像分割场景，其对称的”压缩-扩展”结构——编码器逐步下采样获取语义特征，解码器逐级上采样恢复空间分辨率——配合跳跃连接将编码器各层特征直接传递给对应解码器层，有效融合了细节信息与语义信息。这一设计使其在标注样本有限的医学影像分割中表现卓越，成为该领域的事实标准基线。
DeepLab系列：DeepLab家族的核心理念基于空洞卷积（Dilated Convolution）与金字塔池化。空洞卷积在增大感受野的同时不增加参数量，能够捕捉多尺度上下文信息；空间金字塔池化模块（ASPP）通过不同扩张率的并行空洞卷积聚合多种尺度的上下文特征，显著提升了对多尺度目标的分割精度。DeepLabv3+进一步引入编码器-解码器结构，成为语义分割领域的经典方案。
深度学习方法的性能高度依赖大规模像素级标注数据，而像素级标注的成本极为高昂。2025年提出的GapMatch方法为解决该问题提供了新思路，该方法结合实例扰动与模型扰动策略：在输入图像层面，通过几何变换或遮挡生成扰动视图，保持分割标签的一致性；在模型层面，通过对网络参数施加随机扰动，增强模型对特征变化的鲁棒性。这一双扰动机制在仅使用1%标注数据的极端条件下，实现了医学图像分割性能的显著提升，展示了半监督学习在高成本标签领域的巨大潜力。
医学图像中目标边界模糊（软边界）以及不同组织类别特征相互干扰（共现特征）的问题长期困扰分割精度提升。ConDSeg模型提出特征解耦机制，将图像的形状特征与纹理特征分离建模，使网络能够更专注于目标轮廓的精细刻画；同时引入尺寸感知解码器，对不同尺寸的目标（如大小不一的病灶区域）自适应调整特征聚合策略，有效缓解了软边界导致的误分和共现特征引发的类别混淆。
2026年提出的UISE框架尝试对不同分割任务及其变体进行统一建模，其核心创新在于共享骨干网络提取通用特征，通过动态卷积生成与输入内容相关的卷积核参数，使同一网络结构能够适应不同数据分布和分割粒度。该框架在多个公开数据集上验证了精度与推理效率的平衡性，为构建通用分割模型提供了可行路径。
量子计算凭借高并行性、量子纠缠与量子叠加等特性，为图像处理带来了全新的计算范式。某前沿算法研究团队提出容错量子双阈值分割算法，利用量子比特表示像素状态，通过量子门操作并行处理全图像素的阈值判断，理论上能够大幅降低传统分割算法的计算复杂度。尽管目前相关研究仍处于早期验证阶段，但其展现出的并行处理潜力为海量图像数据的实时分割提供了值得期待的方向。
医学图像分割是精准医疗的基石技术。在皮肤肿瘤筛查中，分割技术自动勾勒病灶边界，辅助医生量化病灶面积并追踪疗效变化；在CT、MRI影像中，器官与组织的精确分割为三维重建、手术规划与放疗剂量计算提供空间基准。U-Net及其变体在该领域的成功应用，充分说明了”少量标注+强先验归纳”路线对于医学数据稀缺场景的适配性。
自动驾驶系统需要对车辆周围环境进行实时、像素级的理解。语义分割用于识别道路、人行道、交通标志等静态要素，实例分割则对动态物体——如其他车辆、行人、骑行者——进行个体级感知与跟踪。分割结果的准确性与实时性直接关联到感知决策的安全边界，因此该场景对模型精度与推理延迟提出了双重严苛要求。
卫星图像分割广泛应用于土地利用分类、城市变迁监测、森林覆盖评估与灾害损失评估。由于遥感图像幅面大、目标尺度跨度大、地物类别多样，分割算法需要具备较强的多尺度特征提取能力，同时需兼顾大图分块处理时的边界一致性。
图像分割技术已走过从简单灰度阈值的经典时代，迈入了以深度学习为核心驱动力的智能时代。从语义分割到全景分割，从全监督到弱监督与少样本学习，从单一模型到统一架构，这一技术领域的每一次跃迁都映射着整个计算机视觉体系的演进脉络。面对日益复杂的现实应用需求与标注成本压力，如何在有限监督信号下实现更精准的分割推理，如何在通用性与专业性能之间取得平衡，仍将是未来研究与实践持续探索的方向。