要在 Python 中执行图像分割，可以使用 OpenCV、scikit-image 等库，以及 PyTorch 或 TensorFlow 等深度学习框架。图像分割将图像划分为区域或对象，通常通过将具有相似属性的像素分组来实现。首先加载图像（例如，使用 OpenCV 的 cv2.imread()），然后通过调整大小、归一化或转换色彩空间进行预处理。对于简单任务，像 Otsu 算法 (cv2.threshold()) 或边缘检测（使用 cv2.Canny() 进行 Canny 边缘检测）等阈值方法效果很好。对于更复杂的分割，像 k-means (通过 sklearn.cluster.KMeans) 或 watershed (cv2.watershed()) 等基于区域的方法，可以根据像素强度或纹理来分离对象。
对于高级分割，U-Net 或 Mask R-CNN 等深度学习模型被广泛使用。TensorFlow/Keras 等框架提供了预构建的架构。例如，使用 Keras，可以定义一个包含卷积层和跳跃连接的 U-Net 模型。在标注数据集（如 COCO 或 Pascal VOC）上训练模型，以预测像素级掩码。一个基本的 U-Net 实现可能涉及在编码器中堆叠 Conv2D 和 MaxPooling2D 层，并在解码器中使用 Conv2DTranspose 进行上采样。使用 Dice loss 或交叉熵等损失函数来优化模型。Detectron2 或 TensorFlow Hub 中的 Mask R-CNN 等库中的预训练模型也可以针对特定任务进行微调。
通常需要进行后处理以优化结果。使用形态学操作 (cv2.morphologyEx()) 去除噪声或填充分割区域中的空隙。使用 Intersection-over-Union (IoU) 或 Dice 系数等指标评估分割质量，这些指标将预测掩码与真实值进行比较。例如，使用 (intersection_area / union_area) 计算两个二值掩码之间的 IoU。scikit-image 的 segmentation.clear_border() 等工具可帮助清除边缘伪影。最后，使用 matplotlib 将掩码叠加在原始图像上以可视化结果。此工作流程在兼顾简单任务的便捷性和复杂应用的扩展性之间取得了平衡。