Labkit 自动分割指南
（进行中）
Labkit允许使用自动分割快速分割图像。 这些指南旨在帮助用户改进他们的自动分割流程。
标记图像
Labkit的像素分类算法只需要很少的训练数据。 提供大量的训练数据通常会导致分类效果不佳。 为了获得良好的效果，请使用最小的可用画笔尺寸较差的细线。 在图像中选择一些有代表性的对象，并为它们标记前景和背景像素（或您正在使用的任何类别）。 以下两张图展示了如何放置随机森林的风景画的好例子和坏例子。
| 好 | 坏 |
|---|---|
 |
 |
你周围的轮廓大致从物体的边缘开始向内延伸。 同样，如果你标记背景物体，则从靠近物体的位置开始，然后在远离物体的位置相似的一条线。 这里又是好例子和坏例子。
| 好 | 坏 | 坏 |
|---|---|---|
 |
 |
 |
避免将对象边缘的像素标记为前景/背景。 您可能错误地标记了一些像素或至少不一致。 这会混乱像素分类算法。
这是如何标记两个对象之间的间隙的一个很好的示例：
| 好 |
|---|
 |
如果背景强度变化很大，请用不同的背景强度标记几个位置。 如果您的前景强度变化很大，请用不同的强度标记一些对象。
时间序列：如果要随着时间的流逝分割对象，从而改变其外观。选择一些有代表性的时间框架，并在每个框架中标记一些有代表性的对象。
像素分类设置
Labkit 的像素分类算法在图像上应用一系列过滤器来收集有关各个像素的信息。
像素分类设置对话框允许您选择 Labkit 使用的过滤器。
默认设置通常应该可以正常工作，
但在某些情况下，手动选择过滤器可能有助于提高运行时间或结果质量。
大多数过滤器首先在执行各自的操作之前对应用图像高斯模糊。
选择对象大小范围内的西格玛值。例如，如果您想分割类似的显示的结构。
如果立即直径大约为 10，则该值除以 2 就是一个很好的 sigma 值，可以使用相应的 sigma = 5。
但还要增加较小的值，增大的 sigmas = 1.25； 2.5； 5； 10 是一个很好的选择。
对于高sigma值，像素分类较慢，最好相应避免sigma值大于16。
| 功能名称 | 运行时/复杂性 | 备注 |
|---|---|---|
| 图像原始 | 非常低 | 总是有用的 |
| 高斯模糊 | 低 | 它们总是很有用，可以很好地处理易于分割的图像。 |
| 高斯的差异 | 低 | ^ |
| 高斯梯度幅值 | 低 | ^ |
| 高斯的拉普拉斯 | 中等 | 对于难以分割的图像很有用，可能有助于分割稀疏的间隙。 |
| 粗麻布特征值 | 平均 | ^ |
| 结构张量特征值 | 高 | 与Hessian特征值类似，但速度较慢。只有当它确实对您的图像有帮助时才使用。 |
| 简单、顶部、快捷 | 低 | 使用特殊情况。 |
| 文艺复兴 | 中世纪 | 对于具有粗糙纹理的物体很有用。 |
