下载文档原格式
机器学习知识：机器学习中的图像分割随着人工智能技术的日益发展，图像分割技术在计算机视觉领域中扮演着越来越重要的角色。
图像分割是一种将图像切割成不同区域/像素的过程，每个区域/像素都具有独特的颜色、强度、纹理、形状等特征。
应用广泛的图像分割任务包括目标检测、医学图像分析、卫星图像处理等。
现在我将为大家详细介绍一下机器学习中的图像分割。
一.图像分割的定义图像分割是一种将图像切割成不同区域/像素的过程，每个区域/像素都具有独特的颜色、强度、纹理、形状等特征。
图像分割可以帮助我们更好地理解图像，同时也是许多计算机视觉算法的前提和核心步骤。
图像分割也是将数字图像转化为计算机可以使用的更简单、更具有代表性的表示形式。
二.常见的图像分割算法1.基于阈值的分割算法基于阈值的分割算法是最简单、最快捷的图像分割算法之一。
该算法基于图像中像素的灰度值，对像素根据其灰度值进行“黑白分割”，然后还可以运用形态学处理等操作，提高分割效果。
基于阈值的分割算法的速度快，因此非常适用于处理大量图像。
2.区域增长算法区域增长算法是一种通过像素间的邻接关系逐渐生成图像分割的方法。
该算法使用一个生长过程，将像素合并成区域。
在这个过程中，每个像素都有一个初始颜色和下一次生长时应该具有的颜色。
通过比较邻近像素间的颜色，从而判断在哪些位置进行分割。
区域增长算法可以自动确定最终分割的颜色，同时也可以检测边缘，因此非常适合处理那些具有复杂纹理的图像。
3.基于聚类的分割算法基于聚类的分割算法是一种常用的图像分割方法，该算法将所有像素分成不同的组/簇。
组/簇的个数可以由用户指定，也可以根据算法自动调整。
处理步骤分为三步，首先将像素用多维特征表示，然后使用聚类算法将像素聚类成不同的组/簇，最后通过应用分割后每个像素与组/簇之间的关系来实现图像分割。
基于聚类的分割算法比基于阈值的分割算法更加精细，同时也更加容易应用于复杂的纹素分布中。
4.基于卷积神经网络的分割算法卷积神经网络（CNN）是一种深度学习算法，近年来在图像分割中应用越来越广泛。
浅谈图像分割原理和⽅法2010年3⽉刊⼈⼯智能与识别技术信息与电脑China Computer&Communication1. 引⾔图像处理的最终⽬的应是满⾜对图像的正确理解，即对图像中物体的正确识别，以指导下⼀步的⾏动。
在这⼀过程中，图像分割是关键的⼀步。
图像分割 (Image Segmentation)是⼀种重要的图像技术，它不仅得到⼈们的⼴泛重视和研究，也在实际中得到⼤量的应⽤。
图像分割在不同领域中有时也⽤其它名称，如⽬标轮廓技术、阈值化技术、图像区分或求差技术、⽬标检测技术、⽬标识别技术、⽬标跟踪技术等，这些技术本⾝或核⼼实际上也是图像分割技术。
2. 图像分割的定义图像分割就是指把图像分成各具特性的区域并提取出感兴趣⽬标的技术和过程。
这⾥所说的特性可以是灰度、颜⾊、纹理等，⽽⽬标可以对应单个区域，也可以对应多个区域。
图像分割是由图像处理进到图像分析的关键步骤，也是⼀种基本的计算机视觉技术。
这是因为图像的分割、⽬标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式，使得更⾼层的分析和理解成为可能。
图像分割多年来⼀直得到⼈们的⾼度重视。
⾄今已经提出了上千种各种类型的分割算法，⽽且近年来每年都有⼤量研究报道发表。
多年来⼈们对图像分割提出了不同的解释和表达，借助集合概念对图像分割可给出如下⽐较正式的定义：令集合 R 代表整个图像区域，对 R 的分割可以看作是将 R 分成若⼲个满⾜以下五个条件的⾮空⼦集(⼦区域)：（1）；（2）对所有的i 和j, 有；（3）对，有；（4）对，有；（5）对是连通的区域。
其中是代表所有在集合中元素的某种性质，是空集。
上述条件指出：(1)分割所得到的全部⼦区域的总和(并集)应能包括图像中所有像素，或者说分割应将图像中的每个像素都分进某⼀个⼦区域中。
条件(2)指出各个⼦区域是互不重叠的，或者说⼀个像素不能同时属于两个区域。
条件(3)指出在分割后得到的属于不同区域中的像素应该具有⼀些不同的特性。
一图象分割定义一图象分割定义图象分割：将图象表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图象中的目标，背景进行标记、定位，然后将目标从背景或其他伪目标中分离出来。
二图象分割的研究现状图象分割是图象处理中的一项关键技术，也是一经典难题，自20世纪70年代起一直受到人们的高度重视，至今已提出了上千种分割算法。
但发展至今仍没有找出一个通用的分割理论，现提出的分割算法大都是针对具体问题的，并没有一种适合所有图象的通用分割算法。
另外，也还没有制定出判断分割算法好坏和选择适用分割算法的标准，这给图象分割技术的应用带来许多实际问题。
三对图象分割现状的思考基于图象分割的研究现状，我们在图象分割技术的应用上存在着许多实际问题。
首先，在需要解决一个具体的图象分割问题的时候，往差法，最大类间方差法，最大熵自动阈值法以及其他一些方法。
阈值分割方法基于对灰度图象的一种假设：目标或背景内的相邻象间的灰度值是相似的，但不同目标或背景的象素在灰度上有差异，反映在图象直方图上，不同目标和背景则对应不同的峰，选取的阈值应位于两个峰之间的谷，从而将各个峰分开。
通常阈值化分割方法根据某种测度准则确定分割阈值。
如果仅使用象素的灰度级确定分割阈值，则阈值化是点相关的；如果由每个象素邻域的局部特性决定门限，则阈值化是区域相关的。
基于点相关的阈值化方法有P-tile 方法，直方图凹形分析法，最大类间方差法，最大熵法以及矩不变门限法等。
基于区域相关的分割方法有直方图转换法，基于二阶灰度统计的方法，松弛法以及基于过度区提取的分割方法等。
阈值分割的优点是计算简单，运算效率高，速度快。
全局阈值对于灰度相差很大的不同目标和背景能进行有效的分割，当图象的灰度差异不明显或不同目标的灰度值范围有重叠时，应采用局部阈值或动态阈值分割法；另一方面，这种方法只考虑象素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。
在实际应用中，阈值法通常和其他方法结合使用。
第8章 知识要点图像分割是图像检索、识别和图像理解的基本前提步骤。
本章主要介绍图像分割的基本原理和主要方法。
图像分割算法一般是基于灰度值的两个基本特性之一：不连续性和相似性。
基于灰度值的不连续性的应用是根据灰度的不连续变化来分割图像，比如基于边缘提取的分割法，先提取区域边界，再确定边界限定的区域。
基于灰度值的相似性的主要应用是根据事先制定的相似性准则将图像分割为相似的区域，比如阈值分割和区域生长。
8.1 本章知识结构8.2 知识要点1. 图像分割在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣。
这些部分常称为目标或前景（其它部分称为背景），它们一般对应图像中特定的、具有独特性质的区域。
为了检索、辨识和分析目标，需要将它们分离提取出来，在此基础上才有可能对目标进一步利用。
图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。
图像分割是由图像处理过渡到图像分析的关键步骤。
一方面，它是目标表达的基础，对特征测量有重要的影响；另一方面，因为图像分割及其基于分割的目标表达、特征提取和参数测量等，能将原始图像转化为更抽象更紧凑的形式，所以使得更高层的图像分析和理解成为可能。
图像分割的应用非常广泛，几乎出现在有关图像处理的所有领域中，并涉及各种类型的图像。
图像分割在基于内容的图像检索和压缩、工业自动化、在线产品检验、遥感图像、医学图像、保安监视、军事、体育、农业工程等方面都有广泛的应用。
例如：在基于内容的图像检索和面向对象的图像压缩中，将图像分割成不同的对象区域等；在遥感图像中，合成孔径雷达图像中目标的分割，遥感云图中不同云系和背景分布的分割等；在医学应用中，脑部图像分割成灰质、白质、脑脊髓等脑组织和其它脑组织区域等；在交通图像分析中，把车辆目标从背景中分割出来等。
在各种图像应用中，只要需要对图像目标进行提取、测量等，就都离不开图像分割。
图像分割的准确性将直接影响后续任务的有效性，因此图像分割具有十分重要的意义。
数字图像处理---图像分割图像分割概述图像分析概念：对图像中感兴趣的⽬标进⾏检测和测量，以获得它们的客观信息，从⽽建⽴对图像的描述步骤：1. 图像分割2. 特征识别3. 对象分类4. 建⽴联系概述图像分割概念：将图像划分为互不重叠的区域并提取感兴趣⽬标的技术基本策略：基于灰度值的两个基本特性：不连续性和相似性通过检测不连续性先找边，后确定区域通过检测相似性，在⼀定阈值下找到灰度值相似区域，区域外轮廓即为对象边界⽅法基于边缘的分割⽅法：先提取区域边界，再确定边界限定区域区域分割：确定每个像素归属区域，从⽽形成区域图区域⽣长：将属性接近的连通像素聚集成区域分裂-合并分割：即存在图像划分，也存在图像合并边缘检测算⼦---边缘分割法边缘定义：图像中像素灰度有阶跃变化或屋顶变化的像素的集合分类：阶跃状屋顶状特点：属于⾼频信号区域往往为闭合连线边缘检测流程滤波⇒增强⇒检测⇒定位边缘检测算⼦基本思想：计算局部微分算⼦⼀阶微分：⽤梯度算⼦进⾏运算特点：对于阶跃状变化会出现极⼤值（两侧都是正值，中间最⼤）对于屋顶状变化会过零点（两侧符号相反）不变部分为0⽤途：检测图像中边的存在注意事项：由于结果图中存在负值，因此需要处理后使⽤处理⽅法：取绝对值加最⼩值阈值法⼆阶微分：通过拉普拉斯算⼦计算特点：对于阶跃状变化会过零点（两侧符号相反）对于屋顶状变化会出现负极⼤值（两侧都是正值，中间最⼩）不变部分为0⽤途：检测图像中边的存在常⽤边缘检测算⼦Roberts 算⼦Prewitt 算⼦Sobel 算⼦Kirsch 算⼦Laplacian 算⼦Marr 算⼦交叉⽅向⼀阶锐化问题：锐化处理结果对具有矩形特征的物体的边缘提取较为有效，但是对于不规则形状的边缘提取，则存在信息上的缺损解决思想：利⽤⽆⽅向的锐化算法交叉微分算⼦交叉Roberts 算⼦公式：f ′x =|f (x +1,y +1)−f (x ,y )|f ′y =|f (x +1,y )−f (x ,y +1)|模板:f ′x =−1001,f ′y =01−1特点：算法简单,对噪声敏感，效果较梯度算⼦较好交叉Prewitt 算⼦模板:d ′x =011−101−1−10,d ′y =−1−10−101011特点：与Sobel 相⽐有⼀定抗⼲扰性，图像效果较⼲净交叉Sobel 算⼦模板:d ′x =012−101−2−10,d ′y =−2−10−101012特点：锐化的边缘信息较强kirsch 算⼦(⽅向算⼦)模板：特点在计算边缘强度的同时可以得到边缘⽅向各⽅向间的夹⾓为45°分析取其中最⼤的值作为边缘强度，与之对应的⽅向作为边缘⽅向若取最⼤值绝对值，则仅需要前四个模板即可Nevitia 算⼦[][][][][][]特点:各⽅向间的夹⾓为30°Laplacian算⼦同图像增强中的Laplacian算⼦优点：各向同性、线性和位移不变对细线和孤⽴点检测效果较好缺点对噪声敏感，有双倍加强作⽤不能检测出边缘⽅向常产⽣双像素边缘使⽤之前需要对图像进⾏平滑Marr算⼦在Laplacian算⼦基础上发展⽽来平滑函数采⽤⾼斯正态分布函数h(x,y)=e−x2+y2 2σ2σ为⽅差⽤h(x,y)对图像f(x,y)平滑克表⽰为g(x,y)=h(x,y)∗f(x,y) *代表卷积令r表⽰从原点出发的径向距离，即r2=x2+y2利⽤⾼斯-拉普拉斯滤波器（LOG滤波器）▽2h=(r2−2σ2σ4)e−r22σ2即可利⽤⼆阶导数算⼦过零点的性质，确定图像中阶跃边缘的位置在该算⼦中σ越⼩边缘位置精度越⾼，边缘细节变化越多；σ越⼤平滑作⽤越⼤，但是细节损失越⼤，边缘点定位精度越低过程1. 通过⼆维⾼斯函数对图像进⾏卷积降噪2. ⽤⼆阶导数差分算⼦计算图像强度的⼆阶导数3. 利⽤⼆阶导数算⼦过零点的性质，确定图像中阶跃边缘的位置优点：能快速得到⼀个闭合的轮廓缺点：对噪声敏感Canny边缘检测算⼦最优边缘检测算⼦应有的指标低误判率⾼定位精度抑制虚假边缘过程：1. 计算图像梯度2. 梯度⾮极⼤值抑制3. 双阈值提取边缘点计算图像梯度⾼斯函数的⼀阶导数模板：−11−11,−1−111⾮极⼤值抑制 NMS思想：梯度幅值图像M(x,y)，仅保留梯度⽅向上的极⼤值点过程初始化N(x,y)=M(x,y)对每⼀点在梯度⽅向和反梯度⽅向各找n 个点，若M(x,y)⾮最⼤值，则置零，否则保持不变对NMS 结果⼆值化（双阈值提取边缘点）使⽤两个阈值T 1,T 2:T 2>>T 1由T 1得到E 1(x ,y ),低阈值边缘图：更⼤的误检率由T 2得到E 2(x ,y ),⾼阈值边缘图：更可靠边缘连接初始化E (x ,y )=E 2(x ,y )对E (x ,y )中的每个点在E 1(x ,y )中寻找延长部分进⾏连接输出E (x ,y )Canny 边缘检测算⼦步骤1. ⾼斯滤波器平滑2. ⼀阶偏导计算梯度幅值与⽅向3. 对梯度幅值进⾏⾮极⼤值抑制4. 双阈值算法检测连接边缘Canny 边缘检测算⼦优点参数较⼩计算效率⾼得到边缘连续完整双阈值选择T Low =T HIGH ∗0.4曲⾯拟合法出发点：基于差分检测图像边缘的算⼦往往对噪声敏感四点拟合灰度表⾯法⽤⼀平⾯p (x ,y )=ax +by +c 来拟合四邻域像素灰度值定义均⽅差为ε=∑[p (x ,y )−f (x ,y )]2模板a =12−1−111,b =12−11−11特点：先平均后求差分，对噪声由抑制作⽤边缘跟踪出发点：噪声边检测需要归整边缘像素概念：将检测的边缘点连接成线过程：边缘提取连接成线⽅法光栅扫描跟踪法全向跟踪法光栅扫描跟踪法概念：采⽤电视光栅⾏扫描顺序，结合门限检测，对遇到的像素进⾏分析并确定其是否是边缘的跟踪⽅法具体步骤：[][][][]确定检测阈值d（较⾼）超过d的点作为对象点确定跟踪阈值t（较低）确定跟踪邻域扫描下⼀⾏，跟踪邻域内灰度差⼩于t的，接受为对象点若没有对象点，则该曲线跟踪结束重新从下⼀⾏开始利⽤d寻找对象点并进⾏跟踪扫描结束后跟踪结束特征可以不是灰度级跟踪准则根据具体问题灵活运⽤最好再进⾏⼀次其他⽅向的跟踪全向跟踪Hough变化检测法问题：如何连接边界点集基本思想利⽤xoy直⾓坐标系直线y=ax+b,待求极坐标系内点(ρ,θ),已知求点到线的变化ρ=xcosθ+ysinθ原理:过每个点的直线系分别对应极坐标系上的⼀条正弦曲线，如正弦曲线存在共同交点(ρ′,θ′),则必定在平⾯上共线实现：使⽤交点累积器或直⽅图，寻找相交线段最多的参数空间的点，再寻找对应的直线线段特点：对ρ、θ量化过粗会导致直线参数不精确，过细会导致计算量增加获得直线抗噪能⼒强可以⽤来检测直线阈值分割法基本思想：通过阈值T⽣成⼆值图，在四邻域中有背景的像素就是边界像素特点：适⽤于物体与背景有强对⽐的情况下，且物体或背景的灰度较单⼀可以先求背景再求物体可以得到封闭且连通区域的边界通过交互获得阈值通过直⽅图得到阈值基本思想：边界上的点灰度值出现次数较少⽅法：选取直⽅图⾕底的最⼩灰度值作为阈值缺点：会受到噪声⼲扰改进：取两个峰值之间的某个固定位置降噪简单图像的阈值分割判断分析法最佳熵⾃动阈值法复杂图像的阈值分割步骤⾃动平滑直⽅图确定区域类数⾃动搜索多个阈值特征空间聚类k均值聚类步骤任意选取K个初始聚类中⼼值使⽤最⼩距离判别，将新读⼊的像素分⾄K类重新计算中⼼值，等于⼀类元素的平均值重新聚类直⾄新旧差异不⼤区域增长通过像素集合的区域增长实现：根据应⽤选取种⼦选择描述符种⼦根据描述符扩张直⾄没有新的节点加⼊集合简单区域扩张法以未划分点与起点灰度差⼩于阈值T作为描述符优缺点：1. 不好确定阈值2. ⽆法分割缓慢变化边界质⼼区域增长法以未划分点与区域平均灰度值差⼩于阈值T作为描述符分裂合并法实现：1. 对于灰度级不同的区域划分为四个⼦区域2. 若相邻⼦区域所有像素灰度级相同，则合并3. 反复进⾏直⾄不再进⾏新的分裂合并操作Processing math: 100%。
图像分割毕业论文图像分割是计算机视觉领域的一个重要研究课题，旨在将图像中的不同物体或者区域分割出来，从而对图像进行进一步的分析和理解。
图像分割在许多应用中都起着关键的作用，比如目标检测、图像编辑、医学影像分析等。
本文将从图像分割的定义、方法和应用等方面进行探讨。
首先，图像分割的定义是将一幅图像分割成具有语义或者几何意义的子区域。
这意味着图像分割不仅仅是简单的像素分类，而是要根据图像中物体的特征和上下文信息将其分割开来。
图像分割可以分为基于阈值的分割和基于区域的分割两种方法。
基于阈值的分割是通过设定一个或多个阈值，将图像中的像素分为不同的类别。
而基于区域的分割则是将相邻的像素组合成具有相似特征的区域。
其次，图像分割的方法有很多种，其中比较常用的有基于边缘的分割、基于区域的分割和基于深度学习的分割。
基于边缘的分割方法通过检测图像中的边缘来实现分割，常用的算法有Canny边缘检测算法和Sobel算子等。
基于区域的分割方法则是将图像分成具有相似特征的区域，常用的算法有基于区域生长的算法和基于分水岭的算法等。
最近几年，基于深度学习的分割方法取得了很大的突破，通过训练深度神经网络来实现图像分割，这种方法在一些大规模数据集上取得了很好的效果。
图像分割在许多领域都有广泛的应用。
在目标检测中，图像分割可以帮助将图像中的目标从背景中分割出来，从而更准确地进行目标识别和定位。
在图像编辑中，图像分割可以将图像中的不同物体分割出来，实现对不同物体的独立处理。
在医学影像分析中，图像分割可以帮助医生更好地分析和诊断疾病，比如肿瘤的分割和定位等。
此外，图像分割还在无人驾驶、视频监控等领域有着重要的应用。
然而，图像分割仍然面临一些挑战和困难。
首先，图像中的物体形状和大小各异，这使得分割算法需要具有一定的鲁棒性和适应性。
其次，图像中的噪声和纹理等因素会对分割结果产生影响，因此算法需要具备一定的抗噪性。
另外，图像分割的计算复杂度较高，特别是在大规模数据集上的应用，需要考虑算法的效率和实时性。
一图象分割定义图象分割：将图象表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图象中的目标，背景进行标记、定位，然后将目标从背景或其他伪目标中分离出来。
二图象分割的研究现状图象分割是图象处理中的一项关键技术，也是一经典难题，自20世纪70年代起一直受到人们的高度重视，至今已提出了上千种分割算法。
但发展至今仍没有找出一个通用的分割理论，现提出的分割算法大都是针对具体问题的，并没有一种适合所有图象的通用分割算法。
另外，也还没有制定出判断分割算法好坏和选择适用分割算法的标准，这给图象分割技术的应用带来许多实际问题。
三对图象分割现状的思考基于图象分割的研究现状，我们在图象分割技术的应用上存在着许多实际问题。
首先，在需要解决一个具体的图象分割问题的时候，往往发现难于找到一个非常适用的现成方法。
其次，图象分割问题可以说既是一个数学问题，也是一个心理学问题。
如果不利用关于图象或所研究目标的先验知识，任何基于某种数学工具的解析方法都很难取得很好的效果。
因此，在更多的时候，人们倾向于重新设计一个针对具体问题的新算法来解决所面临的图象分割问题。
这在只有个别图象样本的时候，利用各种先验知识，设计具有针对性的算法来实现较好的分割相对容易。
但是，当需要构建一些使用的机器视觉系统时，（比如虚拟眼），所面对的将是具有一定差异性，数量庞大的图象库，此时如何很好地利用先验知识，设计一个对所有待处理图象都实用的分割算法是一件非常困难的任务。
最后，由于缺乏一个统一的理论作为基础，同时也缺乏对人类视觉系统（humen vision system,HVS）机理的深刻认识（人们对视觉机理的研究还没成熟），构造一种能够成功应用于所有图象的统一的图象分割算法，至少在目前还是难以实现的。
（至少要完全明白视觉机理之后吧？）那么退而求其次，一种取而代之的策略是针对不同特点的图象使用不同的分割方法，以期都能获得满意的分割结果。
遗憾的是，迄今还没有一个完善的理论来指导如何根据图象的特点来选择合适的方法。
现实中在分割一幅图象时，多是依据经验和直觉去选择方法，通过反复尝试来找到一种最佳方案。
与计算机科学的确定性和准确性相比，图象分割更象是一种艺术行为，有经验的人才可以选用出适当的方法，使不同的图象都得到最佳的分割效果。
但是，当要处理的图象十分庞大，分割就象是流水线上的一道简单工序时，这种行为艺术就显得无能为力了。
而随着多媒体技术和Web技术的发展，包括图象，音频和视频等信息的多媒体数据的大量涌现，多媒体数据已经广泛用于Internet和企事业信息系统中，而且越来越多的商业活动，事物就秒度月毫和信息表现中都将包括多媒体数据，自然也就包括了大量的图象。
例如基于内容的图象检索（content based image retrieval,CBIR）的广泛应用，往往是以图象分割作为基础的。
四图象分割的应用图象分割的应用非常广泛，几乎出现在有关图象处理的所有领域，并设计各种类型的图象。
主要表现在：1 医学影象分析：通过图象分割将医学图象中的不同组织分成不同的区域，以便更好的帮助分析病情，或进行组织器官的重建等。
如脑部MR图象分割，将脑部图象分割成灰质，白质，脑脊髓等脑组织；血管图象的分割，听过分割重建血管的三为图象；腿骨CT切片的分割等等。
2 军事研究领域：通过图象分割为目标自动识别提供特征参数。
如合成孔径雷达图象中目标的分割，小目标检测大呢感等都需要首先进行图象分割。
3 遥感气象服务：通过遥感图象分析获得城市地貌，作物生长情况等；云图中的不同云系分析，气象预报等也都离不开对图象的分割。
4 交通图象分析：通过分割把交通监控获得的图象中的车辆目标从背景中分割出来，以及进行车派识别等等。
5 面对对象的图象压缩和基于内容的图象数据库查询：将图象分割成不同的对象区域以提高压缩编码效率，通过图象分割提取特征便于网页分类，搜索等等。
五对图象分割方法的一点总结1 基于阈值的分割（其实也是区域分割的一种）这是一种最常用的区域分割技术，阈值是用于区分不同目标的灰度值。
如果图象只有目标和背景两大类，那么只需选取一个阈值称为单阈值分割。
这种方法是将图象中每个象素的灰度值和阈值比较，灰度值大于阈值的象素为一类，灰度值小于阈值的象素为另一类。
如果图象中有多个目标，就需要选取多个阈值将各个目标分开，这种方法称为多阈值分割。
为区分目标还需要对多个区域进行标记。
阈值又可分为全局阈值，局部阈值和动态阈值，阈值分割的结果依赖于阈值的选取，确定阈值是阈值分割的关键，阈值分割实质上就是按照某个标准求出最佳阈值的过程。
常用的全局阈值选取方法有利用图象灰度直方图的峰谷法，最小误差法，最大类间方差法，最大熵自动阈值法以及其他一些方法。
阈值分割方法基于对灰度图象的一种假设：目标或背景内的相邻象间的灰度值是相似的，但不同目标或背景的象素在灰度上有差异，反映在图象直方图上，不同目标和背景则对应不同的峰，选取的阈值应位于两个峰之间的谷，从而将各个峰分开。
通常阈值化分割方法根据某种测度准则确定分割阈值。
如果仅使用象素的灰度级确定分割阈值，则阈值化是点相关的；如果由每个象素邻域的局部特性决定门限，则阈值化是区域相关的。
基于点相关的阈值化方法有P-tile方法，直方图凹形分析法，最大类间方差法，最大熵法以及矩不变门限法等。
基于区域相关的分割方法有直方图转换法，基于二阶灰度统计的方法，松弛法以及基于过度区提取的分割方法等。
阈值分割的优点是计算简单，运算效率高，速度快。
全局阈值对于灰度相差很大的不同目标和背景能进行有效的分割，当图象的灰度差异不明显或不同目标的灰度值范围有重叠时，应采用局部阈值或动态阈值分割法；另一方面，这种方法只考虑象素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。
在实际应用中，阈值法通常和其他方法结合使用。
2 基于区域的分割基于区域的分割技术有两种基本形式：区域生长和分裂合并。
前者是从单象素出发，逐渐合并以形成所需的分割结果。
后者是从整个图象出发，逐渐分裂或合并以形成所需要的分割结果。
与阈值方法不同，这类方法不但考虑了象素的相似性，还考虑了空间上的邻接性，因此可以有效地消除孤立噪声的干扰，具有很强的鲁棒性。
而且，无论是分裂还是合并，都能将分割深入达到象素级，因此可以保证较高的分割精度。
区域生长算法先对每个要分割的区域找一个种子象素作为生长的起点，然后将种子象素邻域内与种子象素有相似性的象素合并到在种子象素集合。
如此往复，直到再也没有象素可以被合并，一个区域就形成了。
显然，种子象素，生长准则，终止条件是算法的关键。
算法的高效性和准确性也是研究的重点。
然而，种子点的选取并不容易，有人试图通过边缘检测来确定种子点，但是，由于边缘检测算法本身的不足，并不能避免遗漏重要的种子点。
生长法的优点是计算简单，与阈值分割类似，也很少单独使用。
缺点是1）它需要人工交互获得种子点，这样使用者必须在每个需要抽取出的区域植入一个种子点。
2）也对噪声敏感，导致抽取出的区域有空洞或者在局部体效应的情况下将分开的区域连接起来。
在区域合并方法中，输入图象往往分为多个相似的区域，然后类似的相邻区域根据某种判断准则迭代进行合并。
在区域分裂技术中，整个图象先被看成一个区域，然后区域不断被分裂成四个矩形区域，直到每个区域内部都是相似的。
分裂合并算法则是从整个图象开始不断的得到各个区域，再将相邻的具有相似性的区域合并得到分裂结果。
分裂合并方法的研究重点是分裂和合并规则的设计。
它选择种子点的麻烦，但也有自身的不足。
一方面，分裂如果不能深达象素级就会降低分割精度；另一方面，深达象素级的分裂会增加合并的工作量，从而大大提高其时间复杂度。
另外分裂合并技术可能会使分割区域的边界破坏。
3 基于边缘的分割基于边界的分割方法是利用不同区域间象素灰度不连续的特点检测出区域间的边缘，从而实现图象分割。
边界的象素灰度值变化往往比较剧烈。
首先检测图象中的边缘点，在按一定策略连接成轮廓，从而构成分割区域。
边缘检测技术可以按照处理的顺序分为串行边缘检测及并行边缘检测。
在穿性边缘检测中，当前象素点是否属于欲检测的边缘取决于先前象素的验证结果；而在并行边缘检测技术中，一个象素点是否属于欲检测的边缘，取决于当前正在检测的象素点以及该象素点的一些相邻象素点，这样该模型可以同时用于检测图象中的所有象素点。
最简单的边缘检测方法是并行微分算子法，它利用相邻区域的象素值不连续的性质，采用一阶或二阶导数来检测边缘点，近年来还提出了基于曲面拟合的方法，基于边界拟合的方法，基于反应-扩散方程的方法，串行边界查找，基于形变模型的方法。
并行微分算子法对图像中灰度的变化进行检测，通过一阶导数极值点或二阶导数过零点来检测边缘。
常用的一阶导数算子有梯度算子，Prewitt算子和Sobel算子，二阶导数算子有Laplacian算子，还有Kirsch算子和Wallis算子等非线性算子。
梯度算子不仅对边缘信息敏感，而且对图像噪声也很敏感。
为减少对图像的影响，通常在求导前线对图像进行滤波，常用的滤波器主要是高斯函数的一阶和二阶导数。
Canny认为高斯函数的一阶导数是他求得最优滤波器的较好近似。
近年来研究的滤波器还有可控滤波器，B-样条滤波器等。
基于曲面拟合的思想是将灰度看成高度，用一个曲面来拟合一个小窗口内的数据，然后根据该曲面来决定边缘点。
基于边界曲线拟合的方法用平面曲线表示不同区域之间的图像边界线，试图根据图像梯度等信息找出能正确表示边界的曲线从而达到图像分割的目的，而且由于它直接给出的是边界曲线而不像一般的方法找出的是离散的，不相关的边缘点，因而对图像分割的后继处理如物体识别等高层处理有很大帮助。
即使是用一般的方法找出的边缘点，用曲线来描述它以便于高层处理也是经常采用的一种有效的方式。
串行边界查找方法通常是查找高梯度值的像素，然后将它们连接起来形成曲线表示对象的边缘。
串行边界查找方法在很大程度上受起始点的影响，以前检测像素的结果对下一像素的判断也有较大影响，其困难是如何连接高梯度的像素，因为在实际图像中它们通常是不相邻，令一个问题是噪声的影响，因为梯度算子具有高连通性，噪声通常也是高频的，因此可能造成一些错误边缘向苏的检测。
基于形变模型的方法综合了区域与边界的信心，是目前研究最多，应用最广的分割方法，可以宣称是过去几年计算机视觉领域的成功的关键。
4 结合特定工具的分割。
