δ 越大，"相似"的范围越宽，区域越大
点击图中任意位置 → 设为种子点 → 点"开始生长"
种子点位置未选
种子点灰度值—
已加入区域0 像素
状态等待种子点
思路： 从种子点出发，检查周围像素——如果灰度差 ≤ δ，就把它"拉进"同一个区域，不断重复，直到没有新的像素符合条件。
试试： 点亮色区域 vs 暗色区域，看看生长出的范围有多不同。
调整阈值，观察左图效果
❌ 全局阈值（同一个 T 用到整张图）
左暗右亮时，一个阈值两头都不对
✅ 自适应阈值（每块区域单独算）
每个小区域用自己的局部亮度来判断
这张图左边很暗、右边很亮（模拟真实场景中的光照不均）。
图中有两个灰色圆形目标，理论上都应该被分割出来。
← 拖动左边的滑块：当 T 适合右边时，左边目标消失了；当 T 适合左边时，右边背景全变成目标了。
自适应阈值就是解决这个问题的方法——它不用一个固定值，而是根据每个像素的"周围邻居"来判断。
💡 用鼠标拖动蓝色框（预测结果）或橙色框（正确答案），看 IoU 如何变化
IoU = 交集面积 ÷ 并集面积，结果在 0～1 之间。
两个框完全重合 → IoU = 1.0（满分）；完全不重叠 → IoU = 0。
通常 IoU > 0.5 就认为这次分割是对的。
原始图像
点击上方按钮，看同一张图经过不同分割后是什么样子
语义分割：告诉你每个像素"是什么"——所有人都是同一种颜色（person）。
实例分割：不仅告诉你"是什么"，还区分"是哪一个"——人₁、人₂、人₃各自不同颜色。
一句话区别：语义分割认出"种类"，实例分割认出"个体"。