这个问题曾经通过分析方法来解决，你可以在这里找到，但这些方法已经非常过时和无聊了。然而，对于更简单的情况，它们工作得非常好并且实施起来要快得多。

对于这种特殊情况，使用深度学习要强大得多，您实际上不需要那么多数据，尽管您需要花一些时间来准备数据。

这个概念

我们将在一组从原始图像中提取的较小图像块上训练数据，其中目标标签将是前景和背景。

准备数据

首先，您需要拍摄图像并在其上绘制蒙版以识别您的标签。我想你可以使用油漆来做到这一点。您将拍摄原始图像并将前景涂成白色，将背景涂成黑色。这将分别是标签 1 和 0。

在 Python 中，您将加载原始图像及其各自的标签图像。然后，您将图像和标签拆分为大小的补丁$k \times k$. 您可以选择您认为最适合您的数据类型的任何补丁大小。这是一个超参数，您需要使用交叉验证进行调整。每个补丁都有其关联的标签，即补丁中心的标签。

建立模型

然后，您将构建一个标准的卷积神经网络模型，其中输入将是图像块，输出将是标签。

分割新图像

要分割新图像，请将图像分割成补丁并预测标签。导致的所有补丁$label=1$是前景。

替代方法

或者，您可以一次预测整个补丁的值，这意味着您的模型网络的输出将与您的输入大小相同。因此，您将为补丁中的每个像素提供一个标签。