基于小波变换的图像分割的研究
如何利用小波变换进行图像分割
如何利用小波变换进行图像分割图像分割是图像处理中的一项重要任务，它的目标是将图像分割成具有不同语义的区域。
图像分割在许多领域中都有广泛的应用，如医学图像分析、目标检测和机器人视觉等。
在图像分割中，小波变换是一种常用的方法，它能够提取图像中的局部特征，并将图像分割成具有不同频率特征的子图像。
小波变换是一种基于多尺度分析的信号处理方法，它可以将信号分解成不同频率的子信号。
在图像分割中，我们可以利用小波变换将图像分解成不同频率的子图像，然后根据子图像的频率特征来进行分割。
具体而言，我们可以选择适当的小波基函数，将图像进行小波变换，得到图像的小波系数。
然后，我们可以根据小波系数的幅值大小和相位信息来进行图像分割。
在小波变换中，小波基函数的选择非常重要。
不同的小波基函数具有不同的频率特性，因此选择适合的小波基函数可以更好地提取图像的频率特征。
常用的小波基函数有Haar小波、Daubechies小波和Symlet小波等。
这些小波基函数具有良好的频率局部化特性，能够提取图像中的局部特征。
在图像分割中，我们可以利用小波变换将图像分解成不同频率的子图像。
通过对子图像进行阈值处理，我们可以将图像分割成具有不同频率特征的区域。
具体而言，我们可以选择适当的阈值，将小波系数的幅值小于阈值的部分置零，将幅值大于阈值的部分保留。
这样，我们就可以得到图像的分割结果。
小波变换的图像分割方法具有很多优点。
首先，小波变换能够提取图像的局部特征，能够更好地捕捉图像中的细节信息。
其次，小波变换是一种多尺度分析方法，能够在不同尺度上对图像进行分割，从而更好地适应不同尺度的目标。
此外，小波变换还能够对图像进行压缩，减少图像的存储空间。
然而，小波变换的图像分割方法也存在一些问题。
首先，小波变换是一种线性变换，不能很好地处理图像中的非线性特征。
其次，小波变换的计算复杂度较高，需要大量的计算资源。
此外，小波变换对图像的边缘信息不敏感，容易出现边缘模糊的情况。
基于小波变换的图像特征提取和分类技术研究
基于小波变换的图像特征提取和分类技术研究现代科技的飞速发展推动了数字图像处理领域的不断壮大，而其中的关键技术之一便是图像特征提取和分类。
图像特征提取是指将图像中的信息转化为数字或向量形式，通过各种算法对图像进行描述和区分。
分类则是将提取出来的特征进行标记和分组，从而实现对图像的识别或分类。
而小波变换则是提取图像特征的重要手段之一。
小波变换是一种数字信号处理技术，通过对信号分解和重建实现信号的降噪、压缩和特征提取。
与傅里叶变换相比，小波变换对信号的分析更加精细，不同尺度的小波基函数可以更好地适应信号的局部特征。
因此，小波变换在图像处理领域中有着广泛的应用。
在进行图像特征提取和分类时，小波变换可以采用多种方法，如离散小波变换（DWT）、连续小波变换（CWT）和小波包变换（WPT）等。
其中，DWT是最为常用的一种方法。
它将图像分解成不同尺度和方向的子带，通过计算子带的能量分布和统计特征来提取图像的特征。
同时，DWT还可以通过重构子带获得更高分辨率的图像，这对于图像增强和恢复具有重要意义。
在基于小波变换的图像特征提取方法中，最为常见的是基于多尺度低通滤波器组和高通滤波器组的小波变换技术。
这种方法通过滤波器组对图像进行分解，并获得不同尺度和方向的子带系数。
在特征提取时，通常选择一些统计特征，如均值、方差、标准差、熵等，并将这些特征作为图像的特征向量。
通过对这些特征向量的处理和归一化，可以有效地区分图像并实现分类目的。
在图像分类领域中，小波变换技术也得到了广泛应用。
以图像检索为例，传统方法往往采用颜色直方图和纹理特征等方法来描述图像，这种方法在某些情况下容易受到噪声、图像质量和不同光照条件的影响。
而基于小波变换的图像分类方法则可以克服这些问题，并达到更加准确的识别效果。
综上所述，基于小波变换的图像特征提取和分类技术是一种十分重要的数字图像处理技术。
它可以通过不同的小波变换方法来提取图像的各种特征，并有效地实现图像的分类、识别和检索等功能。
基于小波变换的图像分割技术研究_聂祥飞
基于小波变换的图像分割技术研究聂祥飞(重庆三峡学院,重庆404000)摘 要:图像分割是一种重要的图像分析技术。
近年来,对图像分割的研究一直是图像技术研究中的热点和焦点。
介绍一种基于小波变换的图像分割方法,该方法先对图像的灰度直方图进行小波多尺度变换,然后从较大的尺度系数到较小的尺度系数逐步定位出灰度阈值。
实验结果表明,该方法具有较好的抗噪声性能。
关键词:图像处理;小波变换;图像分割中图分类号:TN941.1 文献标识码:A 文章编号:1007-7022(2004)13-0010-03Image Segmentation Based on Wavelet TransformNIE Xiang fei(Chongqing Three Gorges College,Chong qing 404000,China)Abstract:The image segmentation is an important technology of im age processing.Recently ,it is still a hot point and focus of image processing.In this paper,a method of image segmentation based on w avelet trans form is discussed.In this method,the w avelet multiscale transform of image gray histogram is done first.M oreover,the gray threshold is gradually found out from large scale coefficients to small scale coefficients.T he result of ex periment indicates that the ability of this method to resist noise is better than those tradi tional methods.Key words:Image Processing ;Wavelet Transform;Image Segmentation1 引言图像分割就是按照一定准则把图像划分成若干互不交叠的区域,被分割的区域应满足同质性和唯一性。
基于小波变换的图像处理技术研究
基于小波变换的图像处理技术研究随着计算机技术的不断发展和进步，图像处理技术也得到了广泛的应用和发展。
作为图像处理技术的一种重要手段，小波变换技术因其良好的性能和广泛的应用领域，受到了越来越多的关注和研究。
本文将着重介绍基于小波变换的图像处理技术研究。
一、小波变换的基本概念小波变换是一种基于频域的信号分析技术，其本质是一种将信号分解为不同尺度和频率的方法。
与传统的傅里叶变换相比，小波变换存在着更好的确定性和分辨率，并且能够对信号的瞬时特征进行更好的分析。
因此，小波变换在信号处理、图像处理等领域都有着广泛的应用。
二、基于小波变换的图像处理技术1. 小波去噪小波去噪是小波变换在图像处理中最为常见的应用之一。
通过小波变换，图像信号可以被分解为不同的频率和尺度，进而对其进行去噪处理。
与传统方法相比，小波去噪技术不仅能够更好地去除图像的噪声，同时也能够保留图像的细节特征，从而得到更加清晰的图像。
2. 小波变换与压缩在图像压缩领域中，小波变换也被广泛应用。
通过对图像进行小波分析，可以将其分解为多个子带信号，然后根据不同子带的重要性进行压缩。
与传统方法相比，基于小波变换的压缩技术不仅能够实现更好的压缩比，同时也能够保留图像的细节特征，从而得到更加高质量的压缩图像。
3. 小波变换与特征提取基于小波变换的特征提取技术在图像处理中也有着广泛的应用。
通过对图像进行小波分析，可以将其分解为多个子带信号，进而提取出不同频率和尺度的图像特征。
在物体识别、图像检索等领域中，基于小波变换的特征提取技术能够提高图像识别的准确性和效率。
三、结语总的来说，基于小波变换的图像处理技术具有很多优秀的特性，可以广泛应用于信号处理、图像压缩、特征提取等领域。
与传统的方法相比，小波变换能够更好地保留图像的细节信息，同时也能够更好地处理噪声等干扰因素。
随着计算机技术的不断发展，相信基于小波变换的图像处理技术将会在未来得到更加广泛和深入的应用和研究。
小波变换在医学图像配准与分割中的优化方法与工具选择
小波变换在医学图像配准与分割中的优化方法与工具选择引言：医学图像处理在现代医学领域中扮演着重要的角色。
医学图像配准与分割是其中两个关键的任务。
而小波变换作为一种常用的信号处理技术，被广泛应用于医学图像处理中。
本文将介绍小波变换在医学图像配准与分割中的优化方法，并探讨合适的工具选择。
一、医学图像配准中的小波变换优化方法1. 多尺度小波变换多尺度小波变换是一种常见的医学图像配准方法。
通过将图像分解成多个尺度的频域信息，可以提取到不同尺度的特征。
这样可以在保留图像细节的同时，实现对图像的整体配准。
此外，多尺度小波变换还可以应用于模糊图像的恢复，提高图像配准的准确性。
2. 小波包变换小波包变换是小波变换的一种扩展形式。
相比于传统的小波变换，小波包变换可以提供更高的频率和时间分辨率。
在医学图像配准中，小波包变换可以用于提取更丰富的特征信息，从而实现更精确的配准结果。
3. 小波变换与其他配准方法的结合除了单独应用小波变换进行图像配准外，还可以将小波变换与其他配准方法相结合，以提高配准的准确性和鲁棒性。
例如，可以将小波变换与互信息相结合，通过互信息度量来优化小波变换的配准结果。
二、医学图像分割中的小波变换优化方法1. 小波域阈值分割小波域阈值分割是一种常见的医学图像分割方法。
通过对小波变换系数进行阈值处理，可以将图像分割为不同的区域。
这种方法可以有效地提取图像中的边缘和纹理等特征信息，从而实现准确的分割结果。
2. 小波变换与聚类算法的结合小波变换与聚类算法的结合可以进一步提高医学图像分割的准确性。
通过将小波变换系数作为聚类算法的输入，可以实现对图像中不同组织和结构的自动分割。
常用的聚类算法包括K-means算法和模糊C均值算法等。
3. 小波变换与深度学习的结合近年来，深度学习在医学图像分割中取得了显著的成果。
而小波变换作为一种特征提取方法，可以与深度学习相结合，进一步提高分割的准确性。
通过将小波变换作为深度学习网络的输入，可以提取到更具有区分度的特征，从而实现更精确的分割结果。
小波变换在图像处理中的应用研究
小波变换在图像处理中的应用研究1. 引言图像处理是数字图像技术中的一项重要内容，可用于对数字图像进行提取、分析和处理，主要包括图像增强、图像恢复、图像分割、模式识别等方面。
小波变换是目前图像处理中应用广泛的有效手段之一，它将图像分解成频域和时域，能够有效地提取和重建图像的各种特征信息，对于图像处理的表现越来越出色。
本文将重点研究小波变换在图像处理中的应用，分析小波变换的基本原理和核心算法，探讨其在图像处理中的具体应用。
2. 小波变换的基本原理小波变换(Wavelet Transform, WT) 是一种数学方法，用于对信号进行多分辨率分析，可广泛应用于数据处理，如图像、音频处理等领域。
小波变换可以将信号分解成多个不同的频率分量，并且每个频率分量在时间轴和频率轴上的分布都非常清晰。
为了更好地理解小波变换的基本原理，可以将其分解为以下几个步骤：2.1 信号分解小波分解是将信号分解为镜像系数和逼近系数的过程。
镜像系数描述高频的变化情况，逼近系数用于描述低频和趋势变化。
对于一维信号x(t)，可以通过小波分解表示成如下形式：x(t) = d1(t) + d2(t) +...+ dn(t) + s(t)其中，d1(t)表示第1个分解系数，d2(t)表示第2个分解系数，dn(t)表示第n个分解系数，s(t)表示逼近系数。
2.2 小波滤波在小波分解中，采用的是一种具有最小相位延迟的传递函数，因此 small-sized 的核用来将信号通过变换。
在小波滤波过程中，通过将数据乘以一个小波基函数对其进行滤波。
例如，Haar 小波滤波器由以下两个函数组成：h = (1/根号2, 1/根号2)g = (1j/根号2, -1j/根号2)在实现上，先将信号进行延迟，再进行卷积和脉冲。
最后得到镜像系数和逼近系数。
2.3 重建信号重建信号是使用逆小波变换（Inverse Wavelet Transform, IWT）来重建自组织模型。
基于小波变换的图像分割技术研究
基于小波变换的图像分割技术研究图像分割是图像处理中一个重要的环节，其主要目的是将一幅图像划分成若干个互不重叠的区域，每个区域具有一定的通用性质。
目前，基于小波变换的图像分割技术在图像分割方面有着不错的表现。
本文将围绕这个主题，从小波变换的基本原理、小波变换在图像分割中的应用以及小波变换图像分割的优缺点等方面进行探讨。
一、小波变换的基本原理小波变换是一种自适应频域分析技术，其基本思想是将信号分解为来自不同频率子带的多个成分，从而能够更加有效地探测信号中的局部变化。
与傅里叶变换相比，小波变换具有时频局部化的特点，这使得它能够更加精确地描述信号的局部特征。
小波变换的基本公式为：$$W(a, b) = \frac{1}{\sqrt{a}} \int_{-\infty}^{\infty}f(t)\psi(\frac{t-b}{a})dt$$其中，$f(t)$为原始信号，$\psi(t)$为小波基函数，$a$和$b$为缩放因子和平移量，$W(a, b)$为小波变换系数。
二、小波变换在图像分割中的应用小波变换在图像处理中有着广泛的应用，其中之一就是图像分割。
小波变换可以将图像分解为不同频率子带的多个成分，这为图像分割提供了一种新的视角。
通过对不同频带的图像进行阈值分割，可以更好地分离出目标区域并去除背景噪声。
具体来说，小波变换图像分割技术分为两步：分解和阈值。
首先，将待分割的图像进行小波分解，得到多个不同频率子带的图像。
然后，对每个子带图像进行阈值分割，确定每个子带图像中哪些像素属于目标区域，哪些像素属于背景区域。
最后，将各子带图像的分割结果合并，得到最终的分割结果。
三、小波变换图像分割的优缺点小波变换图像分割技术在实际应用中具有以下优点：1. 时间效率高。
小波变换可以对图像进行快速分解，大大缩短了分割时间。
2. 精度高。
小波变换可以对不同频率子带的图像进行分割，得到更加准确的目标区域。
3. 鲁棒性好。
小波变换具有时频局部化的特点，这使得它能够很好地识别噪声并提高分割的鲁棒性。
基于小波的图像分割方法毕业设计论文
基于小波的图像分割方法【摘要】：近年来随着多媒体技术的发展，图像技术也得到了极大的重视和发展，从而这就促成了图像技术学科的发展。
在图像技术中，图像分割是得到图像分析的关键步骤而图像分析的目标是要靠图像分割技术提取出来的；图像的分割、特征的提取和参数的测量，将原始图像转化为更为抽象和紧凑的形式，简化了问题，同时提取到图的图像压缩与编码技术中，图像分割也是一个重要的步骤。
传统的图像分割方法主要是基于图像的灰度特征的。
分割算法可分为利用区域间灰度不连续性的基于边缘的算法和利用区域内灰度相似性的基于阈值的算法。
本文首先介绍了基于小波的图像分割有关理论和方法。
然后使用该方法对图像的灰度直方图进行小波多尺度变换，并从较大的尺度系数到较小的尺度系数逐步定位出灰度阈值。
通过实验可知该方法具有良好的抗噪声性能。
【关键词】：图像处理，波变换，尺度分析，图像分割AbstractIn recent years along with multimedia technologies' development, the image technology also obtained the enormous value and the development,thus this has facilitated the image technology discipline development. In the image technology, the image division obtains the image analysis committed step, but image analysis's goal is must depend on the image division technology to withdraw; The image division, the characteristic extraction and the parameter survey, transforms the primitive image as more abstract and a compact form, simplified the question, simultaneously withdraws in the image compression and the coding technique, the image division is also one important step.The traditional image division method is mainly based on the image gradation characteristic. The division algorithm may divide into uses the regional gradation discontinous and uses in the region based on the edge algorithm the gradation similar based on the threshold value algorithm. This article first introduced based on the wavelet image division related theory and the method. Then uses this method to carry on the young Pood scaling transform for the image gradation histogram, and locates the gradation threshold value gradually from the great scale coefficient to the small scale coefficient. May know this method through the experiment to have the good anti-noise performance.Key words：Imagery processing，Wavelet transformation;，Multi-criterion analysis，Image division毕业设计（论文）原创性声明和使用授权说明原创性声明本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘要近年来，对图像分割的研究一直是图像技术研究的焦点。
图像分割是一种很重要的图像分析技术，它的目的是把图像分为具有各种特性的区域并把感兴趣的部分提取出来。
它融合了多个学科的成果，并且成功应用于工业、农业、医学、军事等领域，得到了广泛的应用。
图像分割是一个经典的问题，实现方法有很多种，但是至今仍没有一种通用的解决方法。
经过研究发现，区分真正的噪声和边缘是图像分割的难题之一，然而小波变换则可以解决这一问题，小波变换是一种时--频两域的分析工具。
本文则基于小波变换对图像分割技术进行研究，主要介绍了小波阈值分割方法。
文中通过直方图、建立模型等手段对这两种方法做出具体的讨论，并利用Matlab分别对两种方法进行仿真，并得到了有效的结果。
根据仿真结果我们可以看出不同分割方法的不同分割效果，从而更好地理解这些方法。
关键词：图像分割；小波变换；阈值；AbstractIn recent years, the study of image segmentation has been the focus of imaging technology. Image segmentation is an important image analysis, its purpose is to take the various characteristics part out of the image. It combines the results of multiple disciplines, and successfully applied to such fields as industry, agriculture, medicine, military, and a wide range of applications.There are many ways to achieve image segmentation, but could not find a common solution. After the study found that the distinction between real noise and the edge of one of the difficult problem of image segmentation, wavelet transform can solve this problem, wavelet transform is a time - frequency domain analysis tools. In this paper, image segmentation technique based on wavelet transform to study the two wavelet segmentation method, the wavelet thresholding segmentation method. Histogram, the establishment of model and other means to make a specific discussion of these two approaches, and use the Matlab simulation, and the effective results of the two methods, respectively. According to the results of the simulation we can see the different segmentation results of different segmentation methods, in order to better understand these methods.Key words：Image; Wavelet transform; Threshold目录摘要 (I)Abstract (II)1 绪论 (1)1.1 空域图像分割 (1)1.2 频域图像分割 (2)1.3 小波域图像分割 (3)1.3.1 图像分割的描述 (3)1.3.2 图像分割的发展及现状 (4)1.3.3 基于适当最优准则实现图像的分割方法 (5)1.3.4 基于小波变换的图像分割方法 (6)1.4 本文的组织结构 (7)2 小波变换理论 (7)2.1 小波理论 (7)2.2 小波变换 (8)2.2.1 小波变换的概述 (8)2.2.2 正交小波基的种类 (8)2.2.3 多分辨率分析 (10)2.2.4 连续小波变换 (11)2.2.5 离散小波变换 (11)2.2.6 小波离散图像的描述 (12)3 图像分割中的小波阈值法 (14)3.1 小波阈值法的原理 (14)3.2 图像直方图的多分辨率分析 (15)3.3 阈值分割算法 (16)3.4 实验仿真 (16)4 结论与展望 (18)4.1 论文的总结 (18)4.2 论文的展望 (18)致谢 (20)参考文献 (21)附录 (22)1绪论1.1 空域图像分割空域是指图像平面本身，空域图像分割就是直接对图像的像素进行处理分割。
研究者经过几十年的研究与努力，研究出了很多种空域图像分割方法。
归纳起来大致包括：串行边界分割技术、串行区域分割技术、并行边界分割技术、并行区域分割技术、结合特定理论工具的分割技术等[1]。
1. 串行边界分割技术串行边界分割技术指通过顺序搜索边缘点，采用串行方式来对感兴趣目标的边界进行检测。
主要有以下三个关键步骤：①首先确定一个顺序搜索的起始边界点；②然后在确定先前的搜索结果对下一边界点的检测和下一个结果的影响的前提之下，选择某种搜索策略，根据相应原则逐一检测新的边界点；③最后选定搜索终止的条件，结束整个搜索过程。
串行边界分割技术所采取的策略主要有以下两种：①首先检测出边界点，然后再连接边界点；②以交叉结合的方式来进行边界点的检查和连接。
2. 串行区域分割技术串行区域分割技术指通过对目标区域的直接检测，用串行方式来进行图像分割的技术。
它的特点是将整个处理过程分解为的多个步骤依次进行，然后前续步骤的处理结果来决定对后续步骤的处理。
结合了特定数学理论工具的一些图像分割方法也经常用串行区域分割的方式。
串行区域分割技术有两种基本形式：①从单个像素出发，逐渐合并成所需的分割区域；②从全图出发，逐渐分裂成所要的分割区域。
3. 并行边界分割技术并行边界分割技术指通过对感兴趣区域的边界进行检测，用并行方式来对图像进行分割技术。
其过程主要有以下两个步骤：①检测感兴趣区域的边界点；②形成感兴趣区域的边界。
对于步骤①可以采用各种微分算子来直接检测，也可以利用拟合方法与边缘模型进行间接检测。
对于步骤②由于其过程较复杂，因此单纯利用微分算子不能形成闭合边界，需要通过一定的准则和数学工具将感兴趣的区域分离出来。
4. 并行区域分割技术并行区域分割技术指通过对感兴趣区域的检测，用并行方式来进行图像分割的技术。
在实际应用中，并行区域分割技术主要包括以下两大类：①特征空间聚类方法；②阈值化方法。
5. 结合特定理论工具的分割技术①基于信息论的分割技术最近几年，出现了许多借助信息论中熵的概念的图像分割方法。
这些方法利用信息论当中求熵的极值的方式来进行图像分割。
例如：1D最大熵法、2D最大熵法、最大后验熵法、最小熵相关法、最大香农熵法、条件熵法等等。
②基于小波分析和小波变换的分割技术小波变换是空间(时间)和频率的局域变换，通过平移、伸缩等运算对函数和信号进行多尺度的细化分析，有效的从信号中提取信息，从而解决了傅立叶变换不能解决的许多问题。
近年来，在低频和高频分析时，有“变焦”特性的小波变换在图像分割中得到广泛应用。
1.2 频域图像分割频域图像分割法就是傅里叶变换的方法，也是一种最简单的图象分割的方法。
傅里叶变换一直是信号处理领域中最完美、应用最广泛、效果最好的一种分析手段，只是傅里叶变换是一种单纯对频域的分析方法，它在频域的定位性上是最准确的（即频域分辨率是最高），而在时域没有任何分辨能力，也就是表示傅里叶变换所反映的是整个信号在所有时间下的整体频域的特征，无法提供任何一段局部时间段上的频率信息。
在现实生活中，经常会出现一些非平稳信号，例如音乐和语音信号等，它们的频域特征都在随着时间的变化而变化，这些信号被称为时变信号。
Gabor为了研究信号在局部时间范围内的频域特征，而提出了非常著名的Gabor变换，后来随着不断研究发展为短时傅里叶变换（又称加窗傅里叶变换，简称STFT）。
如今短时傅里叶变换在许多领域已经得到了广泛的应用，但是它的定义决定了其窗函数的形状和大小都与频率和时间没有关系而保持固定不变，这样在分析时变信号时是不方便的[2]。
高频信号持续时间一般都比较短，相反低频信号的持续时间则相对较长，所以我们希望在分析高频信号时能够用小时间窗，同时在分析低频信号时能够用大时间窗。
从中我们会发现分析信号时，变时间窗的要求与短时傅里叶变换的固定时窗中窗不能随着频率变化而变化的特性相矛盾，因此这表明短时傅里叶变换无法处理这些问题；此外当人们在进行数值计算时，都希望能够将基函数离散化，从而节约存储量和计算时间，而Gabor变换则不能实现这种期望，原因是无论如何都无法构成一组正交基，所以在计算数值使很不方便，但是小波变换恰恰能实现[3]。
小波变换继承并且发展了短时傅里叶变换的局部思想的优点，同时还克服了其窗口大小不能随着频率变化而变化，且缺少离散正交基的缺点，是一种比较理想的用来处理信号的数学工具。
因此目前小波变换在图象分割中获得了广泛的应用。
1.3 小波域图像分割1.3.1 图像分割的描述图像分割（image segmentation ）是一种非常重要的图像技术，它是图像分析与识别过程中的重要环节，其分割的结果直接关系到图像处理后期其他工作的质量，例如图像的测量、图像的识别等。
一方面它是图像表达的基础，对于特征测量有着至关重要的作用；另一方面，由于图像分割及其基于分割的特征提取、目标表达和参数测量等将原始的图像形式转化为更加抽象紧凑的形式，从而使得更高层的图像分析和理解成为可能[4]。
图像分割在不同的领域中都有重要的应用，所以有时会用不同的名称，比如目标识别（target identification ）技术，阈值化（threshold ）技术，目标检测（target detection ）技术，目标轮廓（object delineate ）技术，图像区分或求差（image discrimination ）技术等，虽然这些名称看起来是不同的技术，但其实它们本身或核心都是图像分割技术，由此可以看出图像分割技术的重要性[5]。