圖像分割方法的分析與比較

❶ 圖像分割技術論文

圖像分割是圖像處理與計算機視覺的基本問題之一，是圖像處理圖像分析的關鍵步驟。我整理了圖像分割技術論文，歡迎閱讀!

圖像分割技術論文篇一

圖像分割技術研究

摘要：圖像分割是圖像處理與計算機視覺的基本問題之一，是圖像處理圖像分析的關鍵步驟。本文介紹了基於閾值的分割方法和圖像分割的圖像分割性能的評價、應用現狀;最後總結出圖像分割的發展趨勢。

關鍵詞：圖像分割、閾值、邊緣檢測、區域分割

中圖分類號： TN957.52 文獻標識碼： A

1引言

隨著圖像分割技術研究的深入，其應用日趨廣泛。凡屬需要對圖像目標進行提取、測量的工作都離不開圖像分割。圖像分割是圖像處理、模式識別和人工智慧等多個領域中一個十分重要且又十分困難的問題，是計算機視覺技術中首要的、重要的關鍵步驟。圖像分割結果的好壞直接影響對計算機視覺中的圖像理解。現有的方法多是為特定應用設計的，有很大的針對性和局限性，到目前為止還不存在一個通用的方法，也不存在一個判斷分割是否成功的客觀標准。因此，對圖像分割的研究目前還缺乏一個統一的理論體系，使得圖像分割的研究仍然是一個極富有挑戰性的課題。

2圖像分割方法

圖像分割(Image Segmentation)，簡單地說就是將一幅數字圖像分割成不同的區域，在同一區域內具有在一定的准則下可認為是相同的性質，如灰度、顏色、紋理等。而任何相鄰區域之間其性質具有明顯的區別。

2.1基於灰度特徵的閾值分割方法

閾值分割技術是經典的、流行的圖象分割方法之一，它是用一個或幾個閾值將圖像的灰度級分為幾個部分，認為屬於同一個部分的像素是同一個物體。

這類方法主要包括以下幾種：

(1)單閾值法，用一個全局閾值區分背景和目標。當一幅圖像的直方圖具有明顯的雙峰時，選擇兩峰之間的谷底作為閾值。

(2)雙閾值法，用兩個閾值區分背景和目標。通過設置兩個閾值，以防單閾值設置閾值過高或過低，把目標像素誤歸為背景像素，或把背景像素誤歸為目標像素。

(3)多閾值法，當存在照明不均，突發雜訊等因素或背景灰度變化較大時，整幅圖像不存在合適的單一閾值，單一閾值不能兼顧圖像不同區域的具體情況，這時可將圖像分塊處理，對每一塊設一個閾值。

2.2 邊緣檢測分割法

基於邊緣檢測技術可以按照處理的順序分為並行邊緣檢測和串列邊緣檢測兩大類。常見的邊緣檢測方法有：差分法、模板匹配法及統計方法等。由於邊緣灰度變化規律一般體現為階梯狀或者脈沖狀。邊緣與差分值的關系可以歸納為兩種情況，其一是邊緣發生在差分最大值或者最小值處;其二是邊緣發生在過零處。

2.3基於區域的分割方法

基於區域的分割方法利用的是圖像的空間性質。該方法認為分割出來的某一區域具有相似的性質。常用的方法有區域生長法和區域分裂合並法。該類方法對含有復雜場景或自然景物等先驗知識不足的圖像進行分割，效果較好。

區域生長方法是把一幅圖像分成許多小區域開始的，這些初始的小區域可能是小的鄰域甚至是單個像素，在每個區域中，通過計算能反映一個物體內像素一致性的特徵，作為區域合並的判斷標准。區域合並的第一步是賦給每個區域一組參數，即特徵。接下來對相鄰區域的所有邊界進行考查，如果給定邊界兩側的特徵值差異明顯，那麼這個邊界很強，反之則弱。強邊界允許繼續存在，而弱邊界被消除，相鄰區域被合並。沒有可以消除的弱邊界時，區域合並過程結束，圖像分割也就完成。

2.4結合特定工具的圖像分割技術

20世紀80年代末以來，隨著一些特殊理論的出現及其成熟，如數學形態學、分形理論、模糊數學、小波分析、模式識別、遺傳演算法等，大量學者致力於將新的概念、新的方法用於圖像分割，有效地改善了分割效果。產生了不少新的分割演算法。下面對這些演算法做一些簡單的概括。

2.4.1基於數學形態學的分割演算法

分水嶺演算法是一種經典的借鑒了數學形態理論的分割方法。該方法中，將一幅圖像比為一個具有不同高度值的地形，高灰度值處被認為是山脊，底灰度值處被認為是山谷，將一滴水從任一點流下，它會朝地勢底的地方流動，最終聚於某一局部最底點，最後所有的水滴會分聚在不同的吸引盆地，由此，相應的圖像就被分割成若幹部分。分水嶺演算法具有運算簡單、性能優良，能夠較好提取運動對象輪廓、准確得到運動物體邊緣的優點。但分割時需要梯度信息，對雜訊較敏感。

2.4.2基於模糊數學的分割演算法

目前，模糊技術在圖像分割中應用的一個顯著特點就是它能和現有的許多圖像分割方法相結合，形成一系列的集成模糊分割技術，例如模糊聚類、模糊閾值、模糊邊緣檢測技術等。

這類方法主要有廣義模糊運算元與模糊閾值法兩種分割演算法。

(1)廣義模糊運算元在廣義模糊集合的范圍內對圖像處理，使真正的邊緣處於較低灰度級，但還有一些不是邊緣的像素點的灰度也在較低灰度級中，雖然演算法的計算簡明，且邊緣細膩，但得到的邊緣圖會出現斷線問題。

(2)模糊閾值法引入灰度圖像的模糊數學描述，通過計算圖像的模糊熵來選取圖像的分割閾值，後用閾值法處理圖像得到邊界。

2.4.3基於遺傳演算法的分割方法

此演算法是受生物進化論思想提出的一種優化問題的解決方法，它使用參數編碼集而不是參數本身，通過模擬進化，以適者生存的策略搜索函數的解空間，它是在點群中而不是在單點進行尋優。遺傳演算法在求解過程中使用隨機轉換規則而不是確定性規則來工作，它唯一需要的信息是適應值，通過對群體進行簡單的復制、雜交、變異作用完成搜索過程。由於此法能進行能量函數全局最小優化搜索，且可以降低搜索空間維數，降低演算法對模板初始位置的敏感，計算時間也大為減少。其缺點是容易收斂於局部最優。

2.4.4基於神經網路分割演算法

人工神經網路具有自組織、自學習、自適應的性能和非常強的非線性映射能力，適合解決背景知識不清楚、推理規則不明確和比較復雜的分類問題，因而也適合解決比較復雜的圖像分割問題。原則上講，大部分分割方法都可用 ANN(attificial neural network)實現。ANN 用於分割的研究起步較晚，只有多層前饋NN，多層誤差反傳(BP)NN，自組織NN，Hopfield NN以及滿足約束的NN(CSNN-Const raint Satisfaction Neurat Network)等得到了應用。使用一個多層前向神經網路用於圖象分割，輸入層神經元的數目取決於輸入特徵數，而輸出層神經元的數目等同於分類的數目。

2.5圖像分割中的其他方法

前面介紹了4大類圖像分割較常用的方法，有關圖像分割方法和文獻很多，新方法不斷產生，這些方法有的只對特定的情形有效，有的綜合了幾種方法，放在一起統稱為第5類。

(1)標號法(labeling)是一種基於統計學的方法，這種方法將圖像欲分割成的幾個區域各以一個不同的標號來表示，用一定的方式對圖像中的每一個像素賦以標號，標號相同的像素就合並成該標號所代表的區域。

(2)基於Snak模型的分割方法，基於Snake模型的分割是通過對能量函數的動態優化來逼近圖像目標的真實輪廓的

(3)紋理分割，由於新的數學工具的引入，紋理分割技術取得了一些進展，張蓬等人將小波分析應用於紋理基元提取。

(4)基於知識的圖像分割方法，直接建立在先驗知識的基礎上，使分割更符合實際圖像的特點。該方法的難度在於知識的正確合理的表示與利用。

3圖像分割性能的評價

圖像分割評價主要有兩個方面的內容：一是研究各分割演算法在不同情況下的表現，掌握如何選擇和控制其參數設置，以適應不同需要。二是分析多個分割演算法在分割同一圖像時的性能，比較優劣，以便在實際應用中選取合適的演算法。分割評價方法分為分析法和實驗法兩大類。分析法是直接分析分割演算法本身的原理及性能，而實驗法是通過對測試圖像的分割結果來評價演算法的。兩種方法各有優劣，由於缺乏可靠理論依據，並非所有分割演算法都能夠通過分析法分析其性能。每種評價方法都是出於某種考慮而提出來的，不同的評價方法只能反映分割演算法性能的某一性能。另一方面，每一種分割演算法的性能是由多種因素決定的，因此，有可能需要多種准則來綜合評價。

4圖像分割技術的發展趨勢

隨著神經網路、遺傳演算法、統計學理論、小波理論以及分形理論等在圖像分割中的廣泛應用，圖像分割技術呈現出以下的發展趨勢：(1)多種特徵的融合。(2)多種分割方法的結合。(3)新理論與新方法。

參考文獻

[1] [美]RC岡薩雷斯.數字圖像處理(第二版)[M].阮秋琦，等譯.北京：電子工業出版社，2003

[2] 章毓晉.圖像分割[M].北京：科學出版社，2001.

[3] 李弼程，彭天強，彭波等.智能圖像處理技術[M].北京：電子工業出版社，2004.

[4] 楊暉，曲秀傑.圖像分割方法綜述[J].電腦開發與應用。2005，18(3)：21-23.

點擊下頁還有更多>>>圖像分割技術論文

❷ 圖像分割

圖像閾值化分割是一種傳統的最常用的圖像分割方法，因其實現簡單、計算量小、性能較穩定而成為圖像分割中最基本和應用最廣泛的分割技術。它特別適用於目標和背景占據不同灰度級范圍的圖像。它不僅可以極大的壓縮數據量，而且也大大簡化了分析和處理步驟，因此在很多情況下，是進行圖像分析、特徵提取與模式識別之前的必要的圖像預處理過程。

圖像閾值化的目的是要按照灰度級，對像素集合進行一個劃分，得到的每個子集形成一個與現實景物相對應的區域，各個區域內部具有一致的屬性，而相鄰區域不具有這種一致屬性。這樣的劃分可以通過從灰度級出發選取一個或多個閾值來實現。

基本原理是：通過設定不同的特徵閾值，把圖像象素點分為若干類。
常用的特徵包括：直接來自原始圖像的灰度或彩色特徵；由原始灰度或彩色值變換得到的特徵。
設原始圖像為f(x，y)，按照一定的准則f(x，y)中找到特徵值T，將圖像分割為兩個部分，分割後的圖像為：
若取：b0=0(黑)，b1=1(白)，即為我們通常所說的圖像二值化。

閾值分割方法實際上是輸入圖像f到輸出圖像g的如下變換：

其中，T為閾值，對於物體的圖像元素g(i,j)=1，對於背景的圖像元素g(i,j)=0。

由此可見，閾值分割演算法的關鍵是確定閾值，如果能確定一個合適的閾值就可准確地將圖像分割開來。閾值確定後，將閾值與像素點的灰度值逐個進行比較，而且像素分割可對各像素並行地進行，分割的結果直接給出圖像區域。
閾值分割的優點是計算簡單、運算效率較高、速度快。有著各種各樣的閾值處理技術，包括全局閾值、自適應閾值、最佳閾值等等。

閾值處理技術參看：

區域分割是講圖像按照相似性准則分成不同的區域，主要包括區域增長，區域分裂合並和分水嶺等幾種類型。

區域生長是一種串列區域分割的圖像分割方法。區域生長是指從某個像素出發，按照一定的准則，逐步加入鄰近像素，當滿足一定的條件時，區域生長終止。區域生長的好壞決定於1. 初始點（種子點）的選取。 2. 生長准則。 3. 終止條件 。區域生長是從某個或者某些像素點出發，最後得到整個區域，進而實現目標的提取。

區域生長的基本思想是將具有相似性質的像素集合起來構成區域。具體先對每個需要分割的區域找一個種子像素作為生長的起點，然後將種子像素周圍鄰域中與種子像素有相同或相似性質的像素(根據某種事先確定的生長或相似准則來判定)合並到種子像素所在的區域中。將這些新像素當作新的種子像素繼續進行上面的過程，直到再沒有滿足條件的像素可被包括進來。這樣一個區域就長成了。

區域生長需要選擇一組能正確代表所需區域的種子像素，確定在生長過程中的相似性准則，制定讓生長停止的條件或准則。相似性准則可以是灰度級、彩色、紋理、梯度等特性。選取的種子像素可以是單個像素，也可以是包含若干個像素的小區域。大部分區域生長准則使用圖像的局部性質。生長准則可根據不同原則制定，而使用不同的生長准則會影響區域生長的過程。

圖1是區域增長的示例。

區域生長是一種古老的圖像分割方法，最早的區域生長圖像分割方法是由Levine等人提出的。該方法一般有兩種方式，一種是先給定圖像中要分割的目標物體內的一個小塊或者說種子區域(seed point)，再在種子區域基礎上不斷將其周圍的像素點以一定的規則加入其中，達到最終將代表該物體的所有像素點結合成一個區域的目的；另一種是先將圖像分割成很多的一致性較強，如區域內像素灰度值相同的小區域，再按一定的規則將小區域融合成大區域，達到分割圖像的目的，典型的區域生長法如T. C. Pong等人提出的基於小面（facet）模型的區域生長法，區域生長法固有的缺點是往往會造成過度分割，即將圖像分割成過多的區域

區域生長實現的步驟如下:

區域分裂合並演算法的基本思想是先確定一個分裂合並的准則，即區域特徵一致性的測度，當圖像中某個區域的特徵不一致時就將該區域分裂成4個相等的子區域，當相鄰的子區域滿足一致性特徵時則將它們合成一個大區域，直至所有區域不再滿足分裂合並的條件為止。當分裂到不能再分的情況時，分裂結束，然後它將查找相鄰區域有沒有相似的特徵，如果有就將相似區域進行合並，最後達到分割的作用。在一定程度上區域生長和區域分裂合並演算法有異曲同工之妙，互相促進相輔相成的，區域分裂到極致就是分割成單一像素點，然後按照一定的測量准則進行合並，在一定程度上可以認為是單一像素點的區域生長方法。區域生長比區域分裂合並的方法節省了分裂的過程，而區域分裂合並的方法可以在較大的一個相似區域基礎上再進行相似合並，而區域生長只能從單一像素點出發進行生長（合並）。

反復進行拆分和聚合以滿足限制條件的演算法。

令R表示整幅圖像區域並選擇一個謂詞P。對R進行分割的一種方法是反復將分割得到的結果圖像再次分為四個區域，直到對任何區域Ri，有P(Ri)=TRUE。這里是從整幅圖像開始。如果P(R)=FALSE，就將圖像分割為4個區域。對任何區域如果P的值是FALSE．就將這4個區域的每個區域再次分別分為4個區域，如此不斷繼續下去。這種特殊的分割技術用所謂的四叉樹形式表示最為方便(就是說，每個非葉子節點正好有4個子樹)，這正如圖10.42中說明的樹那樣。注意，樹的根對應於整幅圖像，每個節點對應於劃分的子部分。此時，只有R4進行了進一步的再細分。

如果只使用拆分，最後的分區可能會包含具有相同性質的相鄰區域。這種缺陷可以通過進行拆分的同時也允許進行區域聚合來得到矯正。就是說，只有在P(Rj∪Rk)=TRUE時，兩個相鄰的區域Rj和Rk才能聚合。
前面的討論可以總結為如下過程。在反復操作的每一步，我們需要做：

可以對前面講述的基本思想進行幾種變化。例如，一種可能的變化是開始時將圖像拆分為一組圖象塊。然後對每個塊進一步進行上述拆分，但聚合操作開始時受只能將4個塊並為一組的限制。這4個塊是四叉樹表示法中節點的後代且都滿足謂詞P。當不能再進行此類聚合時，這個過程終止於滿足步驟2的最後的區域聚合。在這種情況下，聚合的區域可能會大小不同。這種方法的主要優點是對於拆分和聚合都使用同樣的四叉樹，直到聚合的最後一步。

分水嶺分割方法，是一種基於拓撲理論的數學形態學的分割方法，其基本思想是把圖像看作是測地學上的拓撲地貌，圖像中每一點像素的灰度值表示該點的海拔高度，每一個局部極小值及其影響區域稱為集水盆，而集水盆的邊界則形成分水嶺。分水嶺的概念和形成可以通過模擬浸入過程來說明。在每一個局部極小值表面，刺穿一個小孔，然後把整個模型慢慢浸入水中，隨著浸入的加深，每一個局部極小值的影響域慢慢向外擴展，在兩個集水盆匯合處構築大壩，即形成分水嶺。

分水嶺的計算過程是一個迭代標注過程。分水嶺比較經典的計算方法是L. Vincent提出的。在該演算法中，分水嶺計算分兩個步驟，一個是排序過程，一個是淹沒過程。首先對每個像素的灰度級進行從低到高排序，然後在從低到高實現淹沒過程中，對每一個局部極小值在h階高度的影響域採用先進先出(FIFO)結構進行判斷及標注。

分水嶺變換得到的是輸入圖像的集水盆圖像，集水盆之間的邊界點，即為分水嶺。顯然，分水嶺表示的是輸入圖像極大值點。因此，為得到圖像的邊緣信息，通常把梯度圖像作為輸入圖像，即

分水嶺演算法對微弱邊緣具有良好的響應，圖像中的雜訊、物體表面細微的灰度變化，都會產生過度分割的現象。但同時應當看出，分水嶺演算法對微弱邊緣具有良好的響應，是得到封閉連續邊緣的保證的。另外，分水嶺演算法所得到的封閉的集水盆，為分析圖像的區域特徵提供了可能。
為消除分水嶺演算法產生的過度分割，通常可以採用兩種處理方法，一是利用先驗知識去除無關邊緣信息。二是修改梯度函數使得集水盆只響應想要探測的目標。

為降低分水嶺演算法產生的過度分割，通常要對梯度函數進行修改，一個簡單的方法是對梯度圖像進行閾值處理，以消除灰度的微小變化產生的過度分割。即

程序可採用方法：用閾值限制梯度圖像以達到消除灰度值的微小變化產生的過度分割，獲得適量的區域，再對這些區域的邊緣點的灰度級進行從低到高排序，然後在從低到高實現淹沒的過程，梯度圖像用Sobel運算元計算獲得。對梯度圖像進行閾值處理時，選取合適的閾值對最終分割的圖像有很大影響，因此閾值的選取是圖像分割效果好壞的一個關鍵。缺點：實際圖像中可能含有微弱的邊緣，灰度變化的數值差別不是特別明顯，選取閾值過大可能會消去這些微弱邊緣。

參考文章：

圖像分割的一種重要途徑是通過邊緣檢測，即檢測灰度級或者結構具有突變的地方，表明一個區域的終結，也是另一個區域開始的地方。這種不連續性稱為邊緣。不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特徵可以分割圖像。

圖像中邊緣處像素的灰度值不連續，這種不連續性可通過求導數來檢測到。對於階躍狀邊緣，其位置對應一階導數的極值點，對應二階導數的過零點(零交叉點)。因此常用微分運算元進行邊緣檢測。常用的一階微分運算元有Roberts運算元、Prewitt運算元和Sobel運算元，二階微分運算元有Laplace運算元和Kirsh運算元等。在實際中各種微分運算元常用小區域模板來表示，微分運算是利用模板和圖像卷積來實現。這些運算元對雜訊敏感，只適合於雜訊較小不太復雜的圖像。

由於邊緣和雜訊都是灰度不連續點，在頻域均為高頻分量，直接採用微分運算難以克服雜訊的影響。因此用微分運算元檢測邊緣前要對圖像進行平滑濾波。LoG運算元和Canny運算元是具有平滑功能的二階和一階微分運算元，邊緣檢測效果較好，

在邊緣檢測演算法中，前三個步驟用得十分普遍。這是因為大多數場合下，僅僅需要邊緣檢測器指出邊緣出現在圖像某一像素點的附近，而沒有必要指出邊緣的精確位置或方向．邊緣檢測誤差通常是指邊緣誤分類誤差，即把假邊緣判別成邊緣而保留，而把真邊緣判別成假邊緣而去掉．邊緣估計誤差是用概率統計模型來描述邊緣的位置和方向誤差的．我們將邊緣檢測誤差和邊緣估計誤差區分開，是因為它們的計算方法完全不同，其誤差模型也完全不同．

Roberts運算元 ：邊緣定位準，但是對雜訊敏感。適用於邊緣明顯且雜訊較少的圖像分割。Roberts邊緣檢測運算元是一種利用局部差分運算元尋找邊緣的運算元,Robert運算元圖像處理後結果邊緣不是很平滑。經分析，由於Robert運算元通常會在圖像邊緣附近的區域內產生較寬的響應，故採用上述運算元檢測的邊緣圖像常需做細化處理，邊緣定位的精度不是很高。

Prewitt運算元 ：對雜訊有抑製作用，抑制雜訊的原理是通過像素平均，但是像素平均相當於對圖像的低通濾波，所以Prewitt運算元對邊緣的定位不如Roberts運算元。

Sobel運算元 ：Sobel運算元和Prewitt運算元都是加權平均，但是Sobel運算元認為，鄰域的像素對當前像素產生的影響不是等價的，所以距離不同的像素具有不同的權值，對運算元結果產生的影響也不同。一般來說，距離越遠，產生的影響越小。

Isotropic Sobel運算元 ：加權平均運算元，權值反比於鄰點與中心點的距離，當沿不同方向檢測邊緣時梯度幅度一致，就是通常所說的各向同性。
在邊沿檢測中，常用的一種模板是Sobel 運算元。Sobel 運算元有兩個，一個是檢測水平邊沿的；另一個是檢測垂直平邊沿的 。Sobel運算元另一種形式是各向同性Sobel(Isotropic Sobel)運算元，也有兩個，一個是檢測水平邊沿的，另一個是檢測垂直平邊沿的 。各向同性Sobel運算元和普通Sobel運算元相比，它的位置加權系數更為准確，在檢測不同方向的邊沿時梯度的幅度一致。由於建築物圖像的特殊性，我們可以發現，處理該類型圖像輪廓時，並不需要對梯度方向進行運算，所以程序並沒有給出各向同性Sobel運算元的處理方法。

1971年，R.Kirsch[34]提出了一種能檢測邊緣方向的Kirsch運算元新方法：它使用了8個模板來確定梯度幅度值和梯度的方向。

圖像中的每個點都用8個掩模進行卷積，每個掩模對某個特定邊緣方向作出最大響應。所有8個方向中的最大值作為邊緣幅度圖像的輸出。最大響應掩模的序號構成了對邊緣方向的編碼。
Kirsch運算元的梯度幅度值用如下公式：

不同檢測運算元的對比：

參考文章：

文章引用於 木夜溯
編輯 Lornatang
校準 Lornatang

❸ 圖像分割的分割方法

灰度閾值分割 法是一種最常用的並行區域技術，它是圖像分割中應用數量最多的一類。閾值分割方法實際上是輸入圖像f到輸出圖像g的如下變換：
其中，T為閾值，對於物體的圖像元素g(i,j)=1，對於背景的圖像元素g(i,j)=0。
由此可見，閾值分割演算法的關鍵是確定閾值，如果能確定一個合適的閾值就可准確地將圖像分割開來。閾值確定後，將閾值與像素點的灰度值逐個進行比較，而且像素分割可對各像素並行地進行，分割的結果直接給出圖像區域。
閾值分割的優點是計算簡單、運算效率較高、速度快。在重視運算效率的應用場合(如用於硬體實現)，它得到了廣泛應用。
人們發展了各種各樣的閾值處理技術，包括全局閾值、自適應閾值、最佳閾值等等。
全局閾值是指整幅圖像使用同一個閾值做分割處理，適用於背景和前景有明顯對比的圖像。它是根據整幅圖像確定的：T=T(f)。但是這種方法只考慮像素本身的灰度值，一般不考慮空間特徵，因而對雜訊很敏感。常用的全局閾值選取方法有利用圖像灰度直方圖的峰谷法、最小誤差法、最大類間方差法、最大熵自動閾值法以及其它一些方法。
在許多情況下，物體和背景的對比度在圖像中的各處不是一樣的，這時很難用一個統一的閾值將物體與背景分開。這時可以根據圖像的局部特徵分別採用不同的閾值進行分割。實際處理時，需要按照具體問題將圖像分成若乾子區域分別選擇閾值，或者動態地根據一定的鄰域范圍選擇每點處的閾值，進行圖像分割。這時的閾值為自適應閾值。
閾值的選擇需要根據具體問題來確定，一般通過實驗來確定。對於給定的圖像，可以通過分析直方圖的方法確定最佳的閾值，例如當直方圖明顯呈現雙峰情況時，可以選擇兩個峰值的中點作為最佳閾值。
圖1(a)和(b)分別為用全局閾值和自適應閾值對經典的Lena圖像進行分割的結果。
區域生長和分裂合並法是兩種典型的串列區域技術，其分割過程後續步驟的處理要根據前面步驟的結果進行判斷而確定。 區域生長 區域生長的基本思想是將具有相似性質的像素集合起來構成區域。具體先對每個需要分割的區域找一個種子像素作為生長的起點，然後將種子像素周圍鄰域中與種子像素有相同或相似性質的像素(根據某種事先確定的生長或相似准則來判定)合並到種子像素所在的區域中。將這些新像素當作新的種子像素繼續進行上面的過程，直到再沒有滿足條件的像素可被包括進來。這樣一個區域就長成了。
區域生長需要選擇一組能正確代表所需區域的種子像素，確定在生長過程中的相似性准則，制定讓生長停止的條件或准則。相似性准則可以是灰度級、彩色、紋理、梯度等特性。選取的種子像素可以是單個像素，也可以是包含若干個像素的小區域。大部分區域生長准則使用圖像的局部性質。生長准則可根據不同原則制定，而使用不同的生長准則會影響區域生長的過程。區域生長法的優點是計算簡單，對於較均勻的連通目標有較好的分割效果。它的缺點是需要人為確定種子點，對雜訊敏感，可能導致區域內有空洞。另外，它是一種串列演算法，當目標較大時，分割速度較慢，因此在設計演算法時，要盡量提高效率。
區域分裂合並
區域生長是從某個或者某些像素點出發，最後得到整個區域，進而實現目標提取。分裂合並差不多是區域生長的逆過程：從整個圖像出發，不斷分裂得到各個子區域，然後再把前景區域合並，實現目標提取。分裂合並的假設是對於一幅圖像，前景區域由一些相互連通的像素組成的，因此，如果把一幅圖像分裂到像素級，那麼就可以判定該像素是否為前景像素。當所有像素點或者子區域完成判斷以後，把前景區域或者像素合並就可得到前景目標。
在這類方法中，最常用的方法是四叉樹分解法(如圖3所示)。設R代表整個正方形圖像區域，P代表邏輯謂詞。基本分裂合並演算法步驟如下：(1)對任一個區域，如果H(Ri)=FALSE就將其分裂成不重疊的四等份；
(2)對相鄰的兩個區域Ri和Rj，它們也可以大小不同（即不在同一層），如果條件H(Ri∪Rj)=TRUE滿足，就將它們合並起來。
(3)如果進一步的分裂或合並都不可能，則結束。
分裂合並法的關鍵是分裂合並准則的設計。這種方法對復雜圖像的分割效果較好，但演算法較復雜，計算量大，分裂還可能破壞區域的邊界。 圖像分割的一種重要途徑是通過邊緣檢測，即檢測灰度級或者結構具有突變的地方，表明一個區域的終結，也是另一個區域開始的地方。這種不連續性稱為邊緣。不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特徵可以分割圖像。
圖像中邊緣處像素的灰度值不連續，這種不連續性可通過求導數來檢測到。對於階躍狀邊緣，其位置對應一階導數的極值點，對應二階導數的過零點(零交叉點)。因此常用微分運算元進行邊緣檢測。常用的一階微分運算元有Roberts運算元、Prewitt運算元和Sobel運算元，二階微分運算元有Laplace運算元和Kirsh運算元等。在實際中各種微分運算元常用小區域模板來表示，微分運算是利用模板和圖像卷積來實現。這些運算元對雜訊敏感，只適合於雜訊較小不太復雜的圖像。
由於邊緣和雜訊都是灰度不連續點，在頻域均為高頻分量，直接採用微分運算難以克服雜訊的影響。因此用微分運算元檢測邊緣前要對圖像進行平滑濾波。LoG運算元和Canny運算元是具有平滑功能的二階和一階微分運算元，邊緣檢測效果較好，如圖4所示。其中loG運算元是採用Laplacian運算元求高斯函數的二階導數，Canny運算元是高斯函數的一階導數，它在雜訊抑制和邊緣檢測之間取得了較好的平衡。關於微分運算元的邊緣檢測的詳細內容可參考文獻 。 與其他圖像分割方法相比，基於直方圖的方法是非常有效的圖像分割方法，因為他們通常只需要一個通過像素。在這種方法中，直方圖是從圖像中的像素的計算，並在直方圖的波峰和波谷是用於定點陣圖像中的簇。顏色和強度可以作為衡量。
這種技術的一種改進是遞歸應用直方圖求法的集群中的形象以分成更小的簇。重復此操作，使用更小的簇直到沒有更多的集群的形成。
基於直方圖的方法也能很快適應於多個幀，同時保持他們的單通效率。直方圖可以在多個幀被考慮的時候採取多種方式。同樣的方法是採取一個框架可以應用到多個，和之後的結果合並，山峰和山谷在以前很難識別，但現在更容易區分。直方圖也可以應用於每一個像素的基礎上，將得到的信息被用來確定的像素點的位置最常見的顏色。這種方法部分基於主動對象和一個靜態的環境，導致在不同類型的視頻分割提供跟蹤。

❹ 圖像處理的常用方法有哪幾個

1、圖像變換：

由於圖像陣列比較大，如果直接在空間域中進行圖像處理，這樣涉及的計算量會比較大。因此，我們一般採用各種圖像變換的方法，如沃爾什變換、傅立葉變換、離散餘弦變換等一些間接處理技術，將空間域的處理轉變為變換域處理，不僅可減少計算量，而且可獲得更有效的處理(如傅立葉變換可在頻域中進行數字濾波處理)。

2、圖像編碼壓縮：

圖像編碼壓縮技術能夠減少描述圖像的數據量，從而可以節省圖像傳輸、處理時間和減少所佔用的存儲器容量。圖像編碼壓縮能夠在不失真的基礎上獲得，同時也可以在允許的失真條件下開始。編碼是壓縮技術中最重要的方法，它在圖像處理技術中是發展最早且比較成熟的技術。

3、圖像增強和復原：

圖像增強和復原的目的是為了提高圖像的質量，如去除雜訊，提高圖像的清晰度等。圖像增強不考慮圖像降質的原因，突出圖像中所感興趣的部分。如強化圖像高頻分量，可使圖像中物體輪廓清晰，細節明顯;如強化低頻分量可減少圖像中雜訊影響。圖像復原要求對圖像降質的原因有一定的了解，一般講應根據降質過程建立“降質模型”，再採用某種濾波方法，恢復或重建原來的圖像。

4、圖像分割：

圖像分割是數字圖像處理中的關鍵技術之一。圖像分割是將圖像中有意義的特徵部分提取出來，其有意義的特徵有圖像中的邊緣、區域等，這是進一步進行圖像識別、分析和理解的基礎。雖然目前已研究出不少邊緣提取、區域分割的方法，但還沒有一種普遍適用於各種圖像的有效方法。

關於圖像處理的常用方法，青藤小編就和您分享到這里了。如果您對圖片處理、網站設計等有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於平面設計的技巧及素材等內容，可以點擊本站的其他文章進行學習。

❺ 幾種圖像閾值分割演算法的實現與比較

摘要：圖像分割是進行圖像分析的關鍵步驟，也是進一步理解圖像的基礎。該文主要論述了常用的幾種圖像閾值分割的演算法及原理，並以研究瀝青混合料的集料特徵為背景，從實驗角度對圖像閾值分割的直方圖閾值法、迭代法和大津法進行了分析比較，得出了結論。關鍵詞：圖像分割；直方圖閾值法；迭代法；大津法中圖分類號：TP391 文獻標識碼：A文章編號：1009-3044(2011)13-3109-03Achieve and Comparison of Image Segmentation Thresholding MethodCHEN Ning-ning(Department of Technology, Xi'an International University, Xi'an 710077, China)Abstract: Image segmentation is a key step for image analysis, Is also the basis for further understanding of the image. In this paper, discusses several commonly used image segmentation algorithms and theory, and to study the aggregate asphalt mixture characteristics of the background, experimental results are shown to compare histogram threshold, Iteration method and the Otsu.Key words: image segmentation; histogram threshold; iteration method; Otsu1 概述圖像分割是進行圖像分析的關鍵步驟，也是進一步理解圖像的基礎。

❻ 數字圖像處理與分析方法有哪些

數字圖像處理主要研究的內容有以下幾個方面：
1） 圖像變換由於圖像陣列很大，直接在空間域中進行處理，涉及計算量很大。因此，往往採用各種圖像變換的方法，如傅立葉變換、沃爾什變換、離散餘弦變換等間接處理技術，將空間域的處理轉換為變換域處理，不僅可減少計算量，而且可獲得更有效的處理（如傅立葉變換可在頻域中進行數字濾波處理）。目前新興研究的小波變換在時域和頻域中都具有良好的局部化特性，它在圖像處理中也有著廣泛而有效的應用。
2） 圖像編碼壓縮圖像編碼壓縮技術可減少描述圖像的數據量（即比特數），以便節省圖像傳輸、處理時間和減少所佔用的存儲器容量。壓縮可以在不失真的前提下獲得，也可以在允許的失真條件下進行。編碼是壓縮技術中最重要的方法，它在圖像處理技術中是發展最早且比較成熟的技術。
3） 圖像增強和復原圖像增強和復原的目的是為了提高圖像的質量，如去除雜訊，提高圖像的清晰度等。圖像增強不考慮圖像降質的原因，突出圖像中所感興趣的部分。如強化圖像高頻分量，可使圖像中物體輪廓清晰，細節明顯；如強化低頻分量可減少圖像中雜訊影響。圖像復原要求對圖像降質的原因有一定的了解，一般講應根據降質過程建立"降質模型"，再採用某種濾波方法，恢復或重建原來的圖像。
4） 圖像分割圖像分割是數字圖像處理中的關鍵技術之一。圖像分割是將圖像中有意義的特徵部分提取出來，其有意義的特徵有圖像中的邊緣、區域等，這是進一步進行圖像識別、分析和理解的基礎。雖然目前已研究出不少邊緣提取、區域分割的方法，但還沒有一種普遍適用於各種圖像的有效方法。因此，對圖像分割的研究還在不斷深入之中，是目前圖像處理中研究的熱點之一。
5） 圖像描述是圖像識別和理解的必要前提。作為最簡單的二值圖像可採用其幾何特性描述物體的特性，一般圖像的描述方法採用二維形狀描述，它有邊界描述和區域描述兩類方法。對於特殊的紋理圖像可採用二維紋理特徵描述。隨著圖像處理研究的深入發展，已經開始進行三維物體描述的研究，提出了體積描述、表面描述、廣義圓柱體描述等方法。
6） 圖像分類（識別）圖像分類（識別）屬於模式識別的范疇，其主要內容是圖像經過某些預處理（增強、復原、壓縮）後，進行圖像分割和特徵提取，從而進行判決分類。圖像分類常採用經典的模式識別方法，有統計模式分類和句法（結構）模式分類，近年來新發展起來的模糊模式識別和人工神經網路模式分類在圖像識別中也越來越受到重視。

❼ 幾種snake模型在圖像分割應用中的對比分析

[摘要]自1987年Kass等[1]首次提出運用snake(主動輪廓)模型進行圖像分割的思想後,各種基於Snake模型的圖像分割方法迅速發展起來,其各具優缺點。因此,對幾種改進模型作出分析比較。[關鍵詞]snake模型圖像分割氣球力模型GVF模型水平集模型中圖分類號:TP3文獻（剩餘29字）

❽ 什麼叫圖像分割

在計算機視覺領域，圖像分割（Segmentation）指的是將數字圖像細分為多個圖像子區域（像素的集合）（也被稱作超像素）的過程。圖像分割的目的是簡化或改變圖像的表示形式，使得圖像更容易理解和分析。[1]圖像分割通常用於定點陣圖像中的物體和邊界（線，曲線等）。更精確的，圖像分割是對圖像中的每個像素加標簽的一個過程，這一過程使得具有相同標簽的像素具有某種共同視覺特性。
圖像分割的結果是圖像上子區域的集合（這些子區域的全體覆蓋了整個圖像），或是從圖像中提取的輪廓線的集合（例如邊緣檢測）。一個子區域中的每個像素在某種特性的度量下或是由計算得出的特性都是相似的，例如顏色、亮度、紋理。鄰接區域在某種特性的度量下有很大的不同。

❾ 圖像分割演算法總結

       圖像處理的很多任務都離不開圖像分割。因為圖像分割在cv中實在太重要(有用)了，就先把圖像分割的常用演算法做個總結。

        接觸機器學習和深度學習時間已經不短了。期間看過各種相關知識但從未總結過。本文過後我會盡可能詳細的從工程角度來總結，從傳統機器學習演算法，傳統計算機視覺庫演算法到深度學習目前常用演算法和論文，以及模型在各平台的轉化，量化，服務化部署等相關知識總結。

        圖像分割常用演算法大致分為下面幾類。由於圖像的能量范函，邊緣追蹤等方法的效果往往只能解決特定問題，效果並不理想，這里不再闡述。當然二值化本身也可以分割一些簡單圖像的。但是二值化演算法較多，我會專門做一個文章來總結。這里不再贅述。

        1.基於邊緣的圖像分割演算法：

            有利用圖像梯度的傳統演算法運算元的sobel，roberts，prewitt,拉普拉斯以及canny等。

            這些演算法的基本思想都是採用合適的卷積運算元，對圖像做卷積。從而求出圖像對應的梯度圖像。(至於為什麼通過如圖1這樣的運算元卷積，即可得到圖像的梯度圖像，請讀者復習下卷積和倒數的概念自行推導)由於圖像的邊緣處往往是圖像像素差異較大，梯度較大地方。因此我們通過合適的卷積核得到圖像的梯度圖像，即得到了圖像的邊緣圖像。至於二階運算元的推導，與一階類似。優點：傳統運算元梯度檢測，只需要用合適的卷積核做卷積，即可快速得出對應的邊緣圖像。缺點：圖像邊緣不一定準確，復雜圖像的梯度不僅僅出現在圖像邊緣，可以能出現在圖像內部的色彩和紋理上。

             也有基於深度學習方法hed，rcf等。由於這類網路都有同一個比較嚴重的缺陷，這里只舉例hed網路。hed是基於FCN和VGG改進，同時引出6個loss進行優化訓練，通過多個層輸出不同scale的粒度的邊緣，然後通過一個訓練權重融合各個層的邊緣結果。hed網路結構如下：

可以得到一個比較完整的梯度圖像，可參考github的hed實現。優點：圖像的梯度細節和邊緣完整性，相比傳統的邊緣運算元要好很多。但是hed對於邊緣的圖像內部的邊緣並不能很好的區分。當然我們可以自行更改loss來嘗試只擬合外部的圖像邊緣。但最致命的問題在於，基於vgg的hed的網路表達能力有限，對於圖像和背景接近，或者圖像和背景部分相融的圖片，hed似乎就有點無能為力了。

        2.基於區域分割的演算法：

            區域分割比較常用的如傳統的演算法結合遺傳演算法，區域生長演算法，區域分裂合並，分水嶺演算法等。這里傳統演算法的思路是比較簡單易懂的，如果有無法理解的地方，歡迎大家一起討論學習。這里不再做過多的分析。

            基於區域和語意的深度學習分割演算法，是目前圖像分割成果較多和研究的主要方向。例如FCN系列的全卷積網路，以及經典的醫學圖像分割常用的unet系列，以及rcnn系列發展下的maskrcnn，以及18年底的PAnet。基於語意的圖像分割技術，無疑會成為圖像分割技術的主流。

            其中，基於深度學習語意的其他相關演算法也可以間接或直接的應用到圖像分割。如經典的圖像matting問題。18年又出現了許多非常優秀的演算法和論文。如Deep-Image-Matting，以及效果非常優秀的MIT的 semantic soft segmentation(sss).

            基於語意的圖像分割效果明顯要好於其他的傳統演算法。我在解決圖像分割的問題時，首先嘗試用了hed網路。最後的效果並不理想。雖然也參考github，做了hed的一些fine-tune,但是還是上面提到的原因，在我多次嘗試後，最終放棄。轉而適用FCN系列的網路。但是fcn也無法解決圖像和背景相融的問題。圖片相融的分割，感覺即需要大的感受野，又需要未相融部分原圖像細節，所以單原FCN的網路，很難做出准確的分割。中間還測試過很多其他相關的網路，但都效果不佳。考慮到感受野和原圖像細節，嘗試了resnet和densenet作為圖像特徵提取的底層。最終我測試了unet系列的網路：

                unet的原始模型如圖所示。在自己拍照爬蟲等手段採集了將近1000張圖片。去掉了圖片質量太差的，圖片內容太過類似的。爬蟲最終收集160多張，自己拍照收集200張圖片後，又用ps手動p了邊緣圖像，採用圖像增強變換，大約有300*24張圖片。原生unet網路的表現比較一般。在將unet普通的卷積層改為resnet後，網路的表達能力明顯提升。在將resnet改為resnet101，此時，即使對於部分相融的圖像，也能較好的分割了。但是unet的模型體積已經不能接受。

                在最後階段，看到maskrcnn的實例分割。maskrcnn一路由rcnn,fasterrcnn發展過來。於是用maskrcnn來加入自己的訓練數據和label圖像進行訓練。maskrcnn的結果表現並不令人滿意，對於邊緣的定位，相比於其他演算法，略顯粗糙。在產品應用中，明顯還不合適。                

        3.基於圖的分割演算法

            基於深度學習的deepgrab,效果表現並不是十分理想。deepgrab的git作者backbone採用了deeplabv2的網路結構。並沒有完全安裝原論文來做。

論文原地址參考： https://arxiv.org/pdf/1707.00243.pdf

整體結構類似於encode和decoder。並沒有太仔細的研究，因為基於resent101的結構，在模型體積，速度以及deeplab的分割精度上，都不能滿足當前的需求。之前大致總結過計算機視覺的相關知識點，既然目前在討論移動端模型，那後面就分模塊總結下移動端模型的應用落地吧。

由於時間實在有限。這里並沒有針對每個演算法進行詳細的講解。後續我會從基礎的機器學習演算法開始總結。

❿ 機器視覺系統中圖像分割技術傳統方法概論1

姓名：寇世文

學號：21011110234

學院：通信工程學院

【嵌牛導讀】：隨著人工智慧技術的不斷發展，智能機器人領域也得到了空前的發展。尤其是深度神經網路廣泛應用於視覺系統中後，取得了許多很明顯的成效。對於自主移動機器人來說，視覺系統有著十分重要的作用，而圖像分割技術更是在這個系統中擔任著十分重要的角色。傳統的圖像分割技術基本上已經能夠將圖像的前景和後景分隔開來，但是近年來隨著深度學習演算法的發展，人們開始將其應用到圖像分割中，提出了很多分割網路，也達到了很好的分割效果。在實現圖像分割的基礎上，人們還使得分割具有了語義類別和標簽，就是現在的語義分割。本文在介紹了語義分割的基礎上又引出了新的任務分割場景，實例分割和全景分割。並且介紹了最近研究的熱點三維點雲的語義分割問題，闡述了其實現的必要性。

【嵌牛鼻子】智能機器人，圖像分割、語義分割、計算機視覺

【嵌牛提問】圖像分割技術的傳統常見方法

【嵌牛正文】

一、引言

        計算機視覺，即computer vision，就是通過計算機來模擬人的視覺工作原理，來獲取和完成一系列圖像信息處理的機器。計算機視覺屬於機器學習在視覺領域的應用，是一個多學科交叉的研究領域，其涉及數學、物理、生物、計算機工程等多個學科。

計算機視覺的主要應用有無人駕駛、人臉識別、無人安防、車輛車牌識別、智能傳圖、3D重構、VR/AR、智能拍照、醫學圖像處理、無人機、工業檢測等。人駕駛又稱自動駕駛，是目前人工智慧領域一個比較重要的研究方向，讓汽車可以進行自主駕駛，或者輔助駕駛員駕駛，提升駕駛操作的安全性。人臉識別技術目前已經研究得相對比較成熟，並在很多地方得到了應用，且人臉識別准確率目前已經高於人眼的識別准確率。安防一直是我國比較重視的問題，也是人們特別重視的問題，在很多重要地點都安排有巡警巡查，在居民小區以及公司一般也都有保安巡查來確保安全。車輛車牌識別目前已經是一種非誠成熟的技術了，高速路上的違章檢測，車流分析，安全帶識別，智能紅綠燈，還有停車場的車輛身份識別等都用到了車輛車牌識別。3D重構之前在工業領域應用比較多，可以用於對三維物體進行建模，方便測量出物體的各種參數，或者對物體進行簡單復制。計算機視覺還有很多應用，隨著技術的發展，應用領域也會越來越多。在工業領域的應用，在機器人技術方面的應用等。

對於傳統的圖像分割過程，通常可以分為5個步驟，即特徵感知、圖像預處理、特徵提取、特徵篩選和推理預測與識別。通過研究發現，在視覺的早期的發展過程中，人們對於圖像中的特徵並沒有表現出足夠的關注。且傳統的分割過程是把特徵提取和分類分開來做的，等到需要輸出結果的時候再結合到一起，可想而知其實現的困難程度。

在深度學習演算法出來之後，卷積神經網路被廣泛應用於計算機視覺技術中，也因此衍生出了很多的研究方向。深度學習主要是以特徵為基礎來進行比對，如在人臉識別方面，使用卷積神經網路分別對兩張人臉進行不同位置的特徵提取，然後再進行相互比對，最後得到比對結果。目前的計算機視覺的主要研究方向有圖像分類、目標檢測、圖像分割、目標跟蹤、圖像濾波與降噪、圖像增強、風格化、三維重建、圖像檢索、GAN等。本文主要是針對圖像分割這一領域，進行簡要的概述。

圖像分割技術是計算機視覺領域的個重要的研究方向，是圖像語義理解的重要一環。圖像分割是指將圖像分成若干具有相似性質的區域的過程，從數學角度來看，圖像分割是將圖像劃分成互不相交的區域的過程。近些年來隨著深度學習技術的逐步深入，圖像分割技術有了突飛猛進的發展，該技術相關的場景物體分割、人體前背景分割、人臉人體Parsing、三維重建等技術已經在無人駕駛、增強現實、安防監控等行業都得到廣泛的應用。

二、發展現狀

        近來已經有很多學者將圖像分割技術應用到移動機器人的控制中，能夠做到在機器人運動的同時定位、構建地圖並分割出不同的前景和後景，使視覺系統掃描到的圖像具有語義信息。並有學者也致力於分割得更為准確和精細，不僅能夠做到區分不同類的物體，也能夠實現對同類的不同物體的分類，甚至可以做到在此基礎上加上對背景的分割。由於我們生活的世界是三維空間，還有學者將圖像場景還原到三維中，然後使用相關方法對整個三維場景進行分割。作為計算機視覺的研究中的一個較為經典的難題，圖像分割這一領域也越來越被人們所關注。

        首先是傳統的圖像分割方法。在傳統分割方面，人們使用數字圖像處理、拓撲學、數學等方面的知識來進行圖像分割。雖然現在的算力逐漸增加且深度學習不斷發展，一些傳統的分割方法所取得的效果不如深度學習，但是其分割的思想仍有很多值得我們去學習的。

        第一種方法是基於閾值的圖像分割方法。這種方法的核心思想是想根據圖像的灰度特徵來給出一個或多個灰度閾值，將此閾值作為一個標准值與圖像中的每個像素逐一進行比較。很容易想到，通過這個逐一比較過程能夠得到兩類結果，一類是灰度值大於閾值的像素點集，另一類是灰度值小於閾值的像素點集，從而很自然地將圖像進行了分割。所以，不難發現，此方法的最關鍵的一步就是按照一定的准則函數來得到最佳灰度閾值，這樣才能夠得到合適的分類結果。值得一提的是，如果圖像中需要分割的目標和背景分別占據了不同的灰度值甚至是不同的等級，那使用這種方法會得到很好的效果。並且，假如對於一張圖像的處理，我們只需要設定一個閾值時，可以將其稱為單閾值分割。但是圖像中如果不止一個目標，即有多個目標需要進行提取的時候，單一閾值分割就無法做到將它們都分割開來，此時應選取多個閾值對其進行處理，這個分割的過程為多閾值分割。總的來說，閾值分割法有著其獨特的特點，其計算簡單、效率較高。但是，由於這種方法只考慮的是單個像素的灰度值及其特徵，而完全忽略了空間特徵，這也就導致了其對雜訊比較敏感且魯棒性不高。

        第二種方法是基於區域的圖像分割方法。這種方法具有兩種基本形式：一種是區域生長，這種分割方法是從單個像素出發，逐漸將相似的區域進行合並，最終得到需要的區域。另一種方法是直接從圖像的全局出發，一點一點逐步切割至所需要的區域。區域生長指的是，給定一組種子像素，其分別代表了不同的生長區域，然後讓這些種子像素逐漸合並鄰域里符合條件的像素點。如果有新的像素點添加進來，同樣把它們作為種子像素來處理。

        區域分裂合並的分割過程可以說是區域生長的逆過程，這種方法是從圖像的全局出發通過不斷分裂得到各個子區域，然後提取目標的過程。此外，在此過程中，還需要合並前景區域。

        在區域分割方法中還有一種分水嶺演算法。受啟發於分水嶺的構成，這種分割方法將圖像看作是測地學上的拓撲地貌，這樣圖像中每一個像素點對應的海拔高度可以用該點的灰度值來表示。分水嶺的形成過程實際上可以通過模擬浸入過程來實現。具體做法是，在每個局部極小值的表面都刺穿一個小孔，然後把模型慢慢浸入水中，隨著水慢慢浸入其中，分水嶺就隨之形成了。

        第三種方法是基於邊緣檢測的分割方法。邊緣檢測的思想就是試圖通過檢測不同物體的邊緣來將圖像分割開來，這種方法是人們最先想到的也是研究最多的方法之一。如果我們將圖片從空間域變換到頻率域中去，其中物體的邊緣部分就對應著高頻部分，很容易就能夠找到邊緣信息，因此也使得分割問題變得容易。邊緣檢測的方法能夠實現快而且准確的定位，但是其不能保證邊緣的連續性和封閉性，且當一幅圖像的細節信息過多時，其就會在邊緣處產生大量的細碎邊緣，在形成完整的分割區域時就會有缺陷。

        第四種圖像分割方法結合了特定的工具。這里所說的特定工具是各種圖像處理工具以及演算法等，隨著圖像分割研究工作的深入，很多學者開始將一些圖像處理的工具和一些演算法應用到此工作中，並取得了不錯的結果。小波變換在數字圖像處理中發揮著很重要的作用，它能夠將時域和頻域統一起來研究信號。尤其是在圖像邊緣檢測方面，小波變換能夠檢測二元函數的局部突變能力。其次是基於遺傳演算法的圖像分割，遺傳演算法主要借鑒了生物界自然選擇和自然遺傳機制的隨機化搜索方法。其模擬了由基因序列控制的生物群體的進化過程，其擅長於全局搜索，但是局部搜多能力不足。將遺傳演算法應用到圖像處理中也是當前研究的一個熱點問題，在此選擇這種方法的主要原因是遺傳演算法具有快速的隨機搜索能力，而且其搜索能力與問題的領域沒有任何關系。

        除此之外，還有基於主動輪廓模型的分割方法，這種方法具有統一的開放式的描述形式，為圖像分割技術的研究和創新提供了理想的框架。此方法也是對邊緣信息進行檢測的一種方法，主要是在給定圖像中利用曲線演化來檢測目標。