彩色图像分割的国内外研究现状
彩色图像分割算法的研究与实现
彩色图像分割算法的研究与实现图像分割技术是图像处理的一个重要分支，它的目的是从含有颜色的图像中将几何形状的元素提取出来。
目前，彩色图像分割算法具有高效率、简单易行处理以及准确性方面的优势，广泛应用于机器视觉、识别等诸多领域。
本文从图像分割理论和技术基础入手，综述目前彩色图像分割算法的研究情况，包括基于阈值分割、基于模板匹配、基于区域生长和基于边缘检测等方法。
然后提出了一种基于改进的Otsu算法的彩色图像分割算法，将偏色抑制、局部阈值和K-means聚类算法相结合，最终实现了高效的彩色图像分割。
IntroductionImage segmentation is an important branch of image processing, its purpose is to extract geometric elements from color images. At present, the color image segmentation algorithm has the advantages of high efficiency, simple and easy processing and accuracy, and is widely used in many fields such as machine vision and recognition. In this paper, we review the current research on color image segmentation algorithms, including threshold segmentation, template matching, region growing and edge detection methods. Then, a color image segmentation algorithm based on an improved Otsu algorithm is presented, which combinescolor suppression, local threshold and K-means clustering algorithm to achieve efficient color image segmentation.1.本理论图像分割是图像处理的基本过程，要根据图像中所含信息，将整幅图像划分成合理的子块，从而可以实现将不同的物体背景划分开来的目的。
医学图像分割算法的研究与应用
医学图像分割算法的研究与应用随着医学成像技术的不断发展，医学图像的获取和处理已成为医学研究和应用的重要手段。
医学图像分割作为医学图像处理中的一项核心任务，旨在将医学图像中各种组织结构分离出来，为疾病诊断、治疗、手术规划等提供重要支持。
因此，医学图像分割具有广泛的应用前景和深远的社会价值。
本文将介绍医学图像分割算法的研究进展和应用现状。
一、医学图像分割算法的研究进展医学图像分割算法可以分为基于区域的算法和基于边缘的算法两类。
基于区域的算法主要依靠局部像素的灰度值和颜色等信息来划分不同区域，包括常见的阈值分割、区域生长法、分水岭算法等。
基于边缘的算法则是寻找图像中像素间不连续的边缘位置，并以此为分割标准，包括Canny算子、Sobel算子、拉普拉斯算子等。
目前，医学图像分割算法中以阈值分割和分水岭算法为代表的基于区域的算法相对成熟，且效果较好，故本文将着重介绍这两种算法。
1. 阈值分割算法阈值分割算法是一种简单且易于实现的医学图像分割算法，其基本思想是将灰度值高于或低于某一固定阈值的所有像素划分为不同的区域。
阈值分割算法常用的几种方法包括手动选择阈值、Otsu法、迭代阈值法、局部阈值法等。
手动选择阈值法最简单，但由人为选择阈值的主观性和局限性使其不适应于自动化复杂分割场景。
Otsu法是一种基于图像全局灰度值信息的阈值选择方法，其优点在于完全自动化。
迭代阈值法则是先对图像进行平滑滤波处理，再迭代选择最优阈值。
局部阈值法则将图像分成不同大小的块，对每个块选择不同的阈值，适应于局部纹理差异较大的图像。
2. 分水岭算法分水岭算法是一种基于灰度图像的监督学习算法，主要应用于医学图像中不同区域的分割。
它类比于地形地貌中的山谷和山峰的分布规律，将图像中像素视为山体地貌，通过洪水填充局部低洼处形成不同的水池一一即为不同的区域。
此外，还可以通过对分水岭算法的改进，比如光滑边缘和避免过分分割等，来提高分割效果。
二、医学图像分割算法的应用现状医学图像分割作为医学图像处理中的核心任务之一，已广泛应用于医学研究和临床应用中。
彩色图像分割的国内外研究现状（修复的）
彩色图像分割的国内外研究现状（修复的）图像分割是图像处理中的一项关键技术，自上世纪70年代起一直受到人们的高度重视，至今已提出上千种分割算法，但因尚无通用的分割理论，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像的通用分割算法。
目前大致将图像分割方法分为阈值分割方法、边缘检测方法、区域提取方法和结合特定理论工具的分割方法4类。
1．阈值分割方法阈值分割方法的历史可追溯到近40年前，现已提出了大量算法，对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范闱之中的灰度阈值，然后将图像中各个象素的灰度值都与这个阈值相比较，并根据比较结果将对应的像素分为两类。
这两类像素一般分属图像的两类区域，从而达到分割的目的。
2。
基于边缘的分割方法图像最基本的特征是边缘，它是图像局部特性不连续（或突变）的结果。
例如，灰度值的突变、颜色的突变、纹理的突变等。
边缘检测方法是利用图像一阶导数的极值或二阶导数的过零点信息来提供判断边缘点的基本依据，经典的边缘检测方法是构造对图像灰度阶跃变化敏感的差分算子来进行图像分割，如Robert算子、Sobel算子、Prewitt算子、Laplacian算子等。
3．基于区域的分割方法区域分割的实质就是把具有某种相似性质的像素连通起来，从而构成最终的分割区域。
它利用了图像的局部空间信息，可有效的克服其它方法存在的图像分割空间不连续的缺点，但它通常会造成图像的过度分割。
4．结合特定理论工具的分割方法图像分割至今为止尚无通用的自身理论。
近年来，随着各学科许多新理论和新方法的提出，人们也提出了许多与一些特定理论、方法和工具相结合的分割技术。
（1）基于数学形态学的分割技术其基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的。
（2）基于模糊技术的图像分割方法基于模糊集合和逻辑的分割方法是以模糊数学为基础，利用隶属决图像中由于信息不全面、不准确、含糊、矛盾等造成的不确定性问题，该方法在医学图像分析中有广泛的应用。
基于K-均值聚类算法的彩色图像分割改进算法 毕业论文
本科毕业论文（设计）题目：基于K-均值聚类算法的彩色图像分割改进算法教务处制二○一二年六月诚信声明本人郑重声明：本人所呈交的毕业论文（设计），是在导师的指导下独立进行研究所取得的成果。
毕业论文（设计）中凡引用他人已经发表或未发表的成果、数据、观点等，均已明确注明出处。
除文中已经注明引用的内容外，不包含任何其他个人或集体已经发表或在网上发表的论文。
特此声明。
论文作者签名：日期：年月日摘要在一幅图像中,景物往往有众多的目标组成,反映在图像中是众多的区域。
图像分割属于图像处理中一种重要的图像分析技术。
图像分割的传统方法是对灰度图像分割，处理图像的亮度分量，简单快速。
但却忽略了图像中很大一部分信息：色彩，因此分割效果不佳。
对彩色图像分割的研究一直是图像处理的焦点，它采用各种颜色空间模型，使得图像分割更全面，更精确。
本论文首先介绍了传统的图像分割与聚类算法分割，然后重点介绍一种基于K-均值聚类算法的图像改进分割方法。
实验结果表明, 改进的分割方法能够实时稳定的对目标分割提取，分割效果良好。
关键词：K-均值聚类；图像分割；聚类算法AbstractIn an image, the scene is often a large number of targets, reflected in many are- as in the image. Image segmentation is an important image analysis technique of with the luminance component of the image，simple and fast. But it ignores a large part of the information in the image: color, so the poor segmentation results.Research on color image segmentation has been the focus of image processing, which uses a variety of color space model, making the segmentation more comprehensive and more accurate.This paper first describes the traditional image segmentation and clustering algorithm to partition, and then focuses on a segmentation method based on the K- means clustering algorithm for image improvement. The experimental results show that the segmentation method can improve real-time stability of segmentation to ext- ract the target partition to good effect.Key words:K-means clustering; image segmentation; clustering algorithm目录序言 (1)1图像分割综述 (1)1.1 图像分割技术的现状和发展情况 (1)1.2 图像分割主要研究方法 (2)2 K-均值聚类算法 (2)2.1 聚类概念 (2)2.2 K-均值聚类算法 (2)3 基于K-均值聚类的彩色图像分割算法及改进 (3)3.1引言 (3)3.2 图像特征提取 (4)3.2.1 颜色特征的提取 (4)3.2.2 纹理特征的提取 (4)3.3 K-均值聚类图像分割算法的研究与改进 (5)3.4 实验结果与分析 (6)总结与展望 (8)4.1 工作总结 (8)4.2 工作展望 (8)参考文献 (9)序言在计算机视觉和图像分析中。
彩色图像分割算法的研究与实现
彩色图像分割算法的研究与实现图像分割，即将输入图像划分为多个不同的区域，这些区域可能具有不同的颜色、纹理和特性，是计算机视觉中的一个重要研究领域，可以用于图像识别、图像索引和图像建模等诸多领域。
由于它在计算机视觉、自然图像处理、机器人导航等应用中发挥着重要作用，计算机图像分割已成为计算机视觉专业目前的一个重点研究，其发展也受到了越来越多的关注。
彩色图像分割是图像分割研究的一个重要方面，其主要目的是在大规模彩色图像中比较准确地识别出各个物体，并分类地以不同的颜色表示出来。
这需要对光照、色彩、结构等图像信息进行准确的识别，以实现高精度的图像分割。
随着技术的进步，彩色图像分割的算法也逐渐完善，可以应用于不同的复杂场景，并在实际应用中取得良好的效果。
一、彩色图像分割算法的分类彩色图像分割算法可分为传统的有监督和无监督分割算法，以及近几年提出的深度学习分割算法。
1. 传统有监督图像分割算法传统有监督图像分割算法属于基于特征的算法，它基于明确的前景背景特征信息，采用距离函数或概率函数来衡量前景背景的相似度，从而实现分割过程。
传统的有监督图像分割算法主要包括分水岭算法、分层模型分割算法、K-means算法、模板匹配算法等。
2.传统无监督图像分割算法传统无监督图像分割算法属于基于数据的分割方法，主要基于图像数据分析，利用像素灰度值之间的相似性和差异性，进行图像分割。
传统的无监督图像分割算法大多通过构建图的联通成分，并利用联通成分及其属性来决定每个前景或背景的边界，常见的有区域生长法、聚类算法等。
3.深度学习图像分割算法深度学习图像分割算法是近几年比较流行的分割算法，它基于神经网络模型，可以自动从图像中学习有效的特征，从而实现高准确率的图像分割。
目前，深度学习图像分割算法主要有残差网络（ResNet）、卷积神经网络（CNN）、U-Net、Fully Convolutional Network（FCN）、DeepLabV3+等。
基于深度学习的图像分割与分析技术研究
基于深度学习的图像分割与分析技术研究一、引言近年来，深度学习技术在图像处理领域的应用取得了巨大的进展，尤其是在图像分割和分析方面。
基于深度学习的图像分割技术能够自动地将数字化图像分成若干个互不重叠的区域，并将每个区域赋予相应的语义标签。
它具有很强的鲁棒性和适应性，可以用于各种不同类型的图像，比如医学影像、自然图像等。
本文将着重探讨基于深度学习的图像分割与分析技术在各领域的应用和研究进展。
二、图像分割技术的研究现状及发展趋势图像分割是指将数字化图像中的像素划分成不同的区域，并给每个区域赋予一个标签，如前景、背景、物体等。
目前，图像分割技术已被广泛应用于各个领域，例如医学成像、自然图像处理、人脸识别、智能交通系统和机器人等领域。
传统的图像分割方法主要是基于像素颜色信息、纹理信息和边缘信息等特征，而这些方法在复杂情况下会出现失效的情况。
而基于深度学习的图像分割算法以其卓越的表现和高精度被越来越多地应用。
当前，基于深度学习的图像分割技术主要有三种方法，即FCN、U-Net和Mask R-CNN。
FCN（Fully Convolutional Networks）是第一种基于深度学习的图像分割算法，它使用全卷积神经网络模型将任何尺寸的图像转换为同样大小的分割结果。
U-Net是改进后的FCN，可以对图像进行更加细致的像素级分割。
Mask R-CNN是一种全新的基于深度学习的分割模型，能够同时进行目标检测和分割。
三、医学影像分析技术的研究现状及发展趋势医学影像分析技术是目前图像分割领域的重要应用方向之一，其主要目的是对医学图像中的病变区域进行分割和识别。
这一领域的主要研究方向是癌症图像的分割和诊断，涉及到肿瘤结构分析、病灶标定、图像配准、肿瘤细胞分类等。
基于深度学习的医学影像分析技术已经成为识别医学影像中病变区域的有效方法。
例如，使用U-Net模型对医学影像进行肺部结节分割，可以获得极高的准确率。
此外，基于深度学习的医学影像分析技术还可以实现癌症治疗方案的个性化制定，为临床医生提供更好的决策支持。
彩色图像分割算法的研究与实现
彩色图像分割算法的研究与实现以《彩色图像分割算法的研究与实现》为标题，写一篇3000字的中文文章近年来，随着计算机处理图像技术的发展与进步，彩色图像分割技术更加成熟，越来越受到科学家和工程技术人员的青睐。
图像分割作为图像处理中最基础的步骤，具有重要的研究价值和应用前景，是自然图像处理和计算机视觉问题的关键技术。
本文从图像分割的概念出发，主要研究彩色图像分割的算法，并结合自然图像处理算法、模型及相关算法，分析彩色图像分割技术的研究现状，介绍其基本原理和特性，并结合实际应用，对彩色图像分割算法进行理论研究和实现。
首先，本文介绍了彩色图像分割的基本概念。
彩色图像分割是指从彩色图像中提取出目标物体的一种处理技术，是机器视觉中最基础的技术。
彩色图像分割的主要任务是在彩色图像中提取出感兴趣的对象，将这些对象以及背景分割开来。
很多研究表明，彩色图像分割是图像处理中重要的技术，可以提供有效的细化和分离结果，能够大大提高机器视觉系统的准确性和性能。
其次，本文讨论了彩色图像分割算法的研究现状。
彩色图像分割算法分为两类：基于特征的算法和基于模型的算法。
基于特征的算法，如图像阈值处理算法、大津法、有限水平道算法和亚像素分割算法，是基于图像的像素值和灰度值来分割图像的。
基于模型的算法，如聚类分割、优化算法、机器学习方法等，是基于图像的外观特征信息来分割图像的。
由于基于特征的算法是基于图像的像素值和灰度值来分割图像的，所以彩色图像分割的效果不如基于模型的算法。
最后，本文针对彩色图像分割算法进行了理论研究和实现。
针对彩色图像分割技术，可以从两个方面进行实现。
一是在彩色图像分割技术的理论基础上，利用计算机软件，在处理器上实现分割算法，并编写程序，利用图像处理软件将图像分割结果显示出来。
二是结合机器视觉系统，利用硬件设备实现图像分割功能，可以进一步提高彩色图像分割功能的准确性和性能。
综上所述，彩色图像分割技术是图像处理中重要的技术，目前发展很快，因此本文讨论了彩色图像分割技术的基本原理，分析了彩色图像分割算法的研究现状，并对彩色图像分割算法进行了理论研究和实现。
彩色图像分割技术在农作物测量系统中的应用
首都师范大学硕士学位论文彩色图像分割技术在农作物测量系统中的应用姓名：郭楠申请学位级别：硕士专业：计算机应用技术指导教师：葛庆平20050401彩色图像分割技术在农作物测量系统中的心用摘要农业是国民经济的基础，提高农业生产效率和农业自动化生产程度是农业现代化的根本途径，计算机视觉技术可以对农业现代化的发展起到积极的促进作用。
本系统运用计算机视觉和图像处理技术摄取作物生长发育不同阶段的图像，在计算机中进行各种处理和测量，最终获取作物的形态信息和数据，显示于计算机屏幕并存储于多媒体数据库中。
在此系统中，将作物（目标）从照片中提取出来是～个关键的问题，也是一个典型的图像分割问题。
由于作物图像为彩色照片，因此考虑利用彩色图像分割技术进行图像分割。
针对典型的作物图像，分析了３组典型的用于彩色图像分割的彩色模型共９个特征量。
这三组彩色模型分别为：ＨＳＩ模型、ＨＳＶ模型和１１１２１３模型。
实验结果表明，特征量Ｈ（ＨＳＶ）对于作物图像有较好的分割效果。
根据这一实验结果，利用特征量Ｈ（ＨＳｖ）进行图像分割，但通过实验发现利用该特征量分割后，在叶片前端较细处未能正确分割。
为了解决这一问题，又实验＿『两种分割算法。
为了验证这３个算法的有效性并比较它们的分割效果，设计了一个分割算法的评价实验。
算法评价实验的结果表明，３个算法中采用二维阈值的方法具有最好的分割稳定性和执行效率，最适用于该农作物测量系统。
在系统中实现了这个算法，实际应用表明二维阈值的分割方法较好的解决了作物图像的分割问题。
此外，由于该测量系统还保存作物的颜色信息，所以在进行颜色测量前，需要对数码照片进行颜色校正。
对室外拍摄的照片进行分析，太阳光的光谱变化是导致偏色的主要原因，因此，针对不同时刻阳光造成的偏色，试验了４种颜色校正算法，试验结果表明，基于灰块标定物的曲线法具有最好的校正效果。
该农作物测量系统将采用此算法校正偏色照片。
关键词：图像分割、颜色校正、阈值、聚类彩也｜生｜像分割技术订・采作物测量系统中的心用ＡｂｓｔｒａｃｔＡｇｒｉｃｕｌｔｕｒｅｉｓｔｈｅｆｏｕｎｄａｔｉｏｎｏｆｏｕｒｎａｔｉｏｎａｌｅｃｏｎｏｍｙ，ａｎｄｔｈｅｉｍｐｒｏｖｅｍｅｎｔｉｎｔｈｅｅｆｆｉｄｅｎｃｙｏｆａｇｒｉｃｕｌｔｕｒａｌｐｒｏｄｕｃｔｉｏｎａｎｄｔｈｅｅｘｔｅｎｔｏｆａｇｒｉｃｕｌｔｕｒａｌａｕｔｏｍａｔｉｏｎａｒｅｔｈｅｂａｓｅｓｏｆｍｏｄｅｍａｇｒｉｃｕｌｔｕｒｅ．Ｔｈｅｔｅｃｈｎｏｌｏｇｙｏｆｃｏｍｐｕｔｅｒｖｉｓｉｏｎｉｓｃｏｎｄｕｃｉｖｅｔｏｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｍｏｄｅｍａ鲥ｃｕｌｔｕｒｅ．Ｔｈｅｐｌａｎｔｍｅａｓｕｒｅｍｅｎｔｓｙｓｔｅｍｃｏｎｔａｉｎｓｃａｐｔｕｒｉｎｇｉｍａｇｅｏｆｐｌａｎｔｓ，ｐｒｏｃｅｓｓｉｎｇｉｍａｇｅ，ｍｅａｓｕｒｉｎｇｐｌａｎｔｓａｎｄｆｉｎａｌｌｙｄｉｓｐｌａｙｔｈｅｒｅｓｕｌｔｏｎｔｈｅｓｃｒｅｅｎａｎｄｓｔｏｒｅｄａｔａｉｎｔｈｅｄａｔａｂａｓｅ．Ｈｏｗｔｏｅｘｔｒａｃｔｔｈｅｔａｒｇｅｔ－ｐｌａｎｔｆｒｏｍｉｍａｇｅｉｓｔｈｅｍａｉｎｐｒｏｂｌｅｍｔｏｂｅｓｏｌｖｅｄｉｎｔｈｉｓｐａｐｅｒ．Ｍａｎｙｔｙｐｉｃａｌｃｏｌｏｒｍｏｄｅｌｓａｒｅａｎａｌｙｚｅｄｂａｓｅｄｏｎｐｌａｎｔｉｍａｇｅ，ｆｏｒｉｎｓｔａｎｃｅＨＩＳ，ＨＳＶ，１１１２１３．ＡｃｃｏｒｄｉｎｇｔｏｅｘｐｅｒｉｍｅｎｔｒｅｓｕＲｔｈｅＨｖａｌｕｅｉｎＨＳＶｉｓｔｈｅｍｏｓｔｅｆｆｅｃｔｉｖｅｆｅａｔｕｒｅ．ＯｎｔｈｅｂａｓｉｓｏｆｔｈｅｅｘｐｅｒｉｍｅｎｔｒｅｓｕｌｔｆｅａｔｕｒｅＨｉｎＨＳＶｉｓｕｓｅｄｔｏｓｅｇｍｅｎｔｔｈｅｃａｎｎｏｔｂｅｓｅｇｍｅｎｔｅｄｃｏｒｒｅｃｔｌｙ．ｉｍａｇｅ，ｂｕｔｔｈｅｒｅｓｕｌｔｓｈｏｗｓｔｈａｔｔｈｅｔｉｐｐａｒｔｏｆｔｈｅｌｅａｆＴｈｅｒｅｆｏｒｅａｎｏｔｈｅｒ２ｍｅｔｈｏｄｓａｒｅｐｒｏｐｏｓｅｄ．Ａｎｅｖａｌｕａｔｉｏｎｅｘｐｅｒｉｍｅｎｔｉｓｄｅｓｉｇｎｅｄｔｏｍｅｔｈｏｄｓ．Ｔｈｅｏｕｔｃｏｍｅｏｆｅｖａｌｕａｔｉｏｎｅｘｐｅｒｉｍｅｎｔｉｎｄｉｃａｔｅｓｖｅｒｉｆｙｔｈｅｅｆｆｅｃｔｏｆｔｈｅｓｅ３ｔｈａｔ２Ｄｔｈｒｅｓｈｏｌｄｉｓｔｈｅｍｏｓｔｅｆｆｅｃｔｉｖｅａｎｄｓｔａｂｌｅｍｅｔｈｏｄａｎｄｉｔｃａｎａｐｐｌｙｔｏｔｈｅｓｙｓｔｅｍ．Ｆｕｒｔｈｅｒｍｏｒｅ，２Ｄｔｈｒｅｓｈｏｌｄａｌｇｏｒｉｔｈｍｉｓｉｍｐｌｅｍｅｎｔｅｄａｎｄｔｈｉｓｍｅｔｈｏｄｉｓｗｏｒｋｉｎｇｅｆｆｉｃｉｅｎｔｌｙｉｎｔｈｅｓｙｓｔｅｍ．Ｉｎａｄｄｉｔｉｏｎ，ｉｎｏｒｄｅｒｔｏｏｂｔａｉｎａｃｃｕｒａｔｅｃｏｌｏｒｉｎｆｏｒｍａｔｉｏｎ，ｓｏｍｅｃｏｌｏｒｃｏｒｒｅｃｔｉｏｎｍｅｔｈｏｄｓｗｈｉｃｈａｒｅｕｓｅｄｔｏｓｏｌｖｅｃｏｌｏｒｄｉｆｆｅｒｅｎｃｅｃａｕｓｅｄｂｙｓｕｎｌｉｇｈｔａｌｅｔｅｓｔｅｄ．ｍｅｔｈｏｄｉｓｔｈｅｂｅｓｔｏｎｅ．Ａｃｃｏｒｄｉｎｇ幻ｔｈｅｅｘｐｅｒｉｍｅｎｔｓｒｅｓｕｌｔ，ｃｕｒｖｅＫｅｙｗｏｒｄｓ：ｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ，ｃｏｌｏｒｃｏｒｒｅｃｔｉｏｎ，ｔｈｒｅｓｈｏｌｄ，ｄｕｓｔｅｒ声明本人声明所呈交的论文是我个人在导师指导Ｆ进行的研究工作及取得的研究成果。
- 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)。
1．阈值分割方法阈值分割方法的历史可追溯到近40年前，现已提出了大量算法，对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范闱之中的灰度阈值，然后将图像中各个象素的灰度值都与这个阈值相比较，并根据比较结果将对应的像素分为两类。
这两类像素一般分属图像的两类区域，从而达到分割的目的。
从该方法中可以看出，确定一个最优阈值是分割的关键。
现有的大部分算法都是集中在阈值确定的研究上。
阈值分割方法根据图像木身的特点，可分为单阈值分割方法和多阈值分割方法;也可分为基于像素值的阈值分割方法、基于区域性质的阈值分割方法和基于坐标位罝的阈值分割方法。
若根据分割算法所有的特征或准则，还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松弛法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。
目前提出了许多新方法，如严学强等人提出了基于量化直方图的最大熵阈值处理算法，将直方图量化后采用最大熵阈值处理算法，使计算量大大减小。
薛贵浩、帝毓晋等人提出基于最大类间后验交叉熵的阈值化分割算法，从目标和背景的类间差异性出发，利用贝叶斯公式估计像素属于目标和背景两类区域的后验概率，再搜索这两类区域后验概率之间的最大交叉熵。
这种方法结合了基于最小交叉熵以及基于传统香农熵的阈值化算法的特点和分割性能，取得很好的通用性和有效性，该算法也容易实现二维推广,即采用二维统计量(如散射图或共生矩阵)取代直方图,以提高分割的准确性。
俞勇等人提出的基于最小能量的图像分割方法，运用了能量直方图来选取分割阈值。
任明武等人提出的一种基于边缘模式的直方图构造新方法，使分割阈值受噪声和边缘的影响减少到最小。
程杰提出的一种基于直方图的分割方法，该方法对Ostu准则的内在缺陷进行了改进,并运用对直方图的预处理及轮廓追踪，找出了最佳分割阈值。
此方法对红外图像有很强的针对性。
付忠良提出的基于图像差距度量的阈值选取方法，多次导出Ostu方法，得到了几种与Ostu类似的简单计算公式，使该方法特别适合需自动产生阈值的实时图像分析系统。
华长发等人提出了一种基于二维熵阈值的图像分割快速算法，使传统二维阈值方法的复杂度从0(W2 S2)降至0(W2/3 S2/3)。
赵雪松等人提出的综合全局二值化与边缘检测的图像方法，将全局二值化与边缘检测有效的结合起来，从而达到对信封图分割的理想效果。
靳宏磊等人提出的二维灰度直方图的最佳分割方法，找到了一条最佳分割曲线，使该算法得到的分割效果明显优于一维直方图阈值方法。
乐宁等人根据过渡区内象素点具有的邻域方向性特点，引入了基于一元线性回归处理的局部区域随机波动消除方法，将图像过渡区算法进行了改进。
模糊技术及其日趋成熟的应用也正适应了大部分图像边缘模糊而难以分析的现状，赵初和王纯提出的模糊边缘检测方法能有效地将物体从背景中分离出来，并已在模式识别中的图像预处理和医学图像处理中获得了良好的应用。
金立左、夏良正等提出图像分割的自适应模糊阈值法，利用目标一背景对比度自动选取窗宽的方法，并给出了根据目标与摄像机间的相对距离估计目标--背景对比度的算法，克服隶属函数的分布特性及其窗宽对阈值选取的不良影响。
其应用于智能电视跟踪系统，对不同对比度和不同距离的海面舰船图像进行阈值分割，有较强的场景适应能力。
王培珍、杜培明等人提出了一种用于多阈值图像自动分割的混合遗传算法，针对Papamarkes等提出爬山法的多阈值分割和Olivo提出子波变换的方法只对明显峰值有效而对不明显的峰值无效的缺点，以及结合模糊C-均值算法和遗传算法的两大显著特点而改进的算法，这种分割方法能够快速正确地实现分割，且不需事先认定分割类数。
能得到令人满意的目的。
黎恒和赖声礼提出基于小波变换和动态聚类的图像分割方法，分割结果与网络的初始状态无关，具有较强的保持拓朴结构不变的能力，具有自适应性。
ZikuanChen等人提出的基于小波的自适应阈值分割方法把小波引入图像分割，利用小波分析取得阈值，得到了很好的分割效果。
赵立初等人提出的基于小波分析的图像自适应阈值选择算法，使图像直方图的特征点可以通过小波变换的特征点由粗到精地表示，使阈值能进行自适应选择。
Mandelbrot创立了几何学理论，提出用分形维数这一度量概念来描述自然现象的不规则程度。
这种方法用于图像分割时的特点在于分形维数直观上与物体表面的粗糙程度相吻合，而自然界中不同纹理的粗糙度有很大差别，因此可以用它作为一个有效的特征参数来区别不同类别的纹理。
杨波、徐光等人提出了基于分形特征的自然景物图像分割方法，通过构造了一组分形纹理特征、图像不同部分的粗糙度及纹理基元大小、方向等特性为基础进行图像分割。
并通过对盒维数方法中的参数拟合性能的分析，对维数估计方法进行了优化。
结果表明基于分形的特征对于自然景物图像的分割，有着较好的性能；由于分形特征对粗糙度的度量，特别是有助于从自然环境中分割出人工目标；此外，改进的分形特征估测方法也有助于得到满意的分割结果。
陈向东、常文森等人提出了基于小波变换的图像分数维计算方法，利用小波变换计算图像的分数维准确性高的特性。
结果表明计算出的图像分数维准确，而且通过应用快速小波换可以满足实时计算的要求，为实时场景分析提供有效的方法。
建立在积分几何和随机集论基础之上的数学形态学以其一整套变换、概念和算法为数学工具，提供了并行的、具有鲁棒性的图像分割技术。
它不仅能得到图像中各种几何参数的间接测量，反映图像的体视特性，而且还能描述图像的随机性质。
所有的这些算法不管釆取什么方法，结合什么工具，基本思想是一致的，就是为了寻求最佳阈值。
2。
基于边缘的分割方法图像最基本的特征是边缘，它是图像局部特性不连续（或突变）的结果。
例如，灰度值的突变、颜色的突变、纹理的突变等。
边缘检测方法是利用图像一阶导数的极值或二阶导数的过零点信息来提供判断边缘点的基本依据，经典的边缘检测方法是构造对图像灰度阶跃变化敏感的差分算子来进行图像分割，如Robert算子、Sobel算子、Prewitt算子、Laplacian算子等。
根据检测边缘釆用方式的不同，边缘检测方法大致包括以下几类：基于局部图像函数的方法、多尺度方法、图像滤波法、基于反应一扩散方程的方法、多分辨分法、基于边界曲线拟合方法、状态空间搜索法、动态规划法、边界跟踪法、哈夫变换法等。
如宋焕生等人提出了多尺度脊边缘方法，该方法利用Mallat算法，对图像进行二进度小波分解，然后计算出在二进尺度空间的多尺度脊边缘及强度，最后通过脊边缘跟踪、滤波和小波反变换，得到分割结果。
张静等人提出了行扫描空间带通滤波法，是在总结前任理论和实验结果的基础上提出的一种边缘提取新方法，对电视图像的自动跟踪识别有很好的效果。
林峰提出了基于人眼边缘的图像分割方法，利用ISODATA分类算法分割图像，再对所得到的边缘数据作曲线拟合。
该方法对直方图上有明显峰值特性的图像边缘的提取非常有利。
殷德奎等人提出了基于多分辨分析的多模板边缘提取方法，根据图像边缘灰度阶跃噪声在不同分辨率层次上表现出来的相关性质，合理地确定检测规划并推断出边缘，此方法适用于复杂噪声环境和宽分割阈值下的边缘定位。
张斌、朱正中等提出了基于边缘轮廓信息的多源遥感图像分割，该方法有效地利用了多源遥感图像中共有的区域结构信息，将特征匹配和最小二乘影像匹配相结合，具有较好的普适性，且运算快速、抗噪性能好，可实现快速、精确的特征(边缘轮廓信息）匹配，而且利用特征匹配所得的精确控制块对,可在最小二乘误差准则下实现实测图与基准图的影像匹配定位，用于海岸线、河流、湖泊等大尺度地理标志的场景或地区的图像得到很好的效果。
王宇生等人提出了基于积分变换的边缘检测算法,该方法引入了灰度尺度和空间尺度，将图像变为表示象素点相互吸引的向量场，从而将边缘检测问题转化为在向量场中寻找相分离向量的问题。
梁毅军等人提出了用BD模型检测边缘的方法，证明了BD模型是GD模型的快速算法，并且取得的效果和用GD模型取得的效果是一样的。
杨恒等人提出了基于图像信息测度(EIM)的多尺度边缘检测方法，该方法利用EIM能自适应地调整多尺度边缘检测中的滤波度参数,克服了传统图像信息定义的缺陷，使该方法具有较好的抗噪声和检测结果。
戴青云提出了数学形态学在图像分割中的应用，利用数学形态学这种非线性滤波方法来抑制噪声、特征提取、边缘检测等。
周凌翔等人提出了结合信噪比与定位精度的新的边缘检测准则，导出了满足最佳性质的算子，利用该算子进行边缘检测，取得了较好的效果。
GALAMBOSC等人提出了哈夫变换的改进算法，利用角度信息来控制选择和分配像素在同一直线上的过程，使分割效果优于标准哈夫变换的同时，大大减少了计算量，同时受噪声和曲线间断的影响较小。
3．基于区域的分割方法区域分割的实质就是把具有某种相似性质的像素连通起来，从而构成最终的分割区域。
它利用了图像的局部空间信息，可有效的克服其它方法存在的图像分割空间不连续的缺点，但它通常会造成图像的过度分割。
在此类方法中，如果从全图出发,按区域属性特征一致的准则，决定每个像元的区域归属，形成区域图，这常称之为区域生长的分割方法；如果从像元出发，按区域属性特征一致的准则，将属性接近的连通像元聚集为区域是区域增长的分割方法；若综合利用上述两种方法，就是分裂一合并的方法。
区域生长法的基本思想是将具有相似性质的象素合起来构成区域，具体做法是选给定图像中要分割的目标物体内的一个小块或者说种子区域，再在种子区域的基础上不断将其周围的象素点以一定的规则加入其中，达到最终将代表该物体的所有象素点结合成一个区域的目的，该方法的关键是要选择合适的生长或相似准则。
生长准则一般可分为3种:基于区域灰度差准则、基于区域内灰度分布统计性质准则和基于区域形状准则。
分裂合并法是先将图像分割成很多的一致性较强的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的。
最近出现了很多新方法，如王广君等人提出的基于四叉树结构的图像分割方法，将区域增长和人工智能结合起来，使分割速度大大提高，算法同时能得到图像目标大小、目标灰度、目标个数、目标边界等，该方法对多目标图像分割有更好的适应性。
刘宁宁等提出的基于代理机模型的交互式图像分割方法，代理机是完成特定功能的模块，通过控制界面和汇报界面实现与操作者的交互，该方法特别适合医学图像分割。
钱晓峰等人提出的一种逆时针追踪轮廓线的彩色图像区域分割算法其基本思想是按逆时针顺序追踪轮廓线，在追踪过程中避免了象素点的行政管理判断，釆用回溯搜索解决奇点问题，从而保证追踪过程的连续性和正确性。
屈彬、王景熙提出了基于区域生长规则的快速边缘跟踪算法，克服传统的区域生长算法比较大的时间复杂度和空间复杂度，把传统区域生长算法中对整个目标区域像素的处理转化为对目标边缘像素的处理，在获得和区域生长算法相同的结果的前提下，大大降低了算法的时间复杂度和空间复杂度。