1、原理将原始图像的灰度图从比较集中的某个灰度区间均匀分布在整个灰度空间中，实现对图像的非线性拉伸，重新分配图像像素值。

对于深度学习模型优化，通常从以下几点进行

详细介绍这里，清楚的介绍了三种损失函数。我这里重点记录一下他们的异同，方便自己消化理解。

图像分割是建立在图像分类和目标检测的基础之上。所以难度也要比图像分类要难。同时，两个任务在评价指标上其实也就存在一些相同，比如都会用到混淆矩阵，准确率，精确率，召回率，F1score，IOU等评价指标，这些指标的计算我已经在之前图像分割评价指标介绍过了。下面就介绍一下图像分割中没介绍，但是在图像分类任务中需要的评价指标ROC曲线，AUC曲线，PR曲线，AP曲线，mAP。

对于图像分割，首先可能会想到TP（TruePositives），TN(TrueNegatives)，FP(FalsePositives)，FN(FalseNegatives)这几个单词，但实际上由他们几个单词组成的混淆矩阵（confusionmatrix）才是重点。

这两篇[1]【2】博客写的都非常详细。这里做个笔记记录一下。

主要是为了个人理解，做个笔记

1、为了方便理解其本身结构，找到源码理解一下。

这类方法按照图像的相似性准则划分不同的区域块。其中较为典型的方法优种子区域生长法、分水岭法、区域分裂合并法。

1、基于边缘检测的图像语义分割算法试图通过检测包含不同区域的边缘来解决分割问题。它可以说是人们最先想到也是研究最多的方法之一。通常不同区域的边界上像素的灰度值变化比较剧烈，如果将图片从空间域通过傅里叶变换到频率域，边缘就对应着高频部分，这是一种非常简单的边缘检测算法。最简单的边缘检测方法是并行微分算子法，它利用相邻区域的像素值不连续的性质，采用一阶或者二阶导数来检测边缘点。 2、一阶导数和二阶导数