基本簡介
圖像分割是圖像識别和計算機視覺至關重要的預處理。沒有正确的分割就不可能有正确的識别。但是，進行分割僅有的依據是圖像中像素的亮度及顔色，由計算機自動處理分割時，将會遇到各種困難。
例如，光照不均勻、噪聲的影響、圖像中存在不清晰的部分，以及陰影等，常常發生分割錯誤。因此圖像分割是需要進一步研究的技術。人們希望引入一些人為的知識導向和人工智能的方法，用于糾正某些分割中的錯誤，是很有前途的方法，但是這又增加了解決問題的複雜性。
在通信領域中，圖像分割技術對可視電話等活動圖像的傳輸很重要，需要把圖像中活動部分與靜止的背景分開，還要把活動部分中位移量不同的區域分開，對不同運動量的區域用不同的編碼傳輸，以降低傳輸所需的碼率。
分割方法
阈值分割
灰度阈值分割法是一種最常用的并行區域技術，它是圖像分割中應用數量最多的一類。阈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為阈值，對于物體的圖像元素g(i,j)=1，對于背景的圖像元素g(i,j)=0。
由此可見，阈值分割算法的關鍵是确定阈值，如果能确定一個合适的阈值就可準确地将圖像分割開來。阈值确定後，将阈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并行地進行，分割的結果直接給出圖像區域。
阈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(如用于硬件實現)，它得到了廣泛應用。
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阈值将物體與背景分開。這時可以根據圖像的局部特征分别采用不同的阈值進行分割。實際處理時，需要按照具體問題将圖像分成若幹子區域分别選擇阈值，或者動态地根據一定的鄰域範圍選擇每點處的阈值，進行圖像分割。這時的阈值為自适應阈值。
阈值的選擇需要根據具體問題來确定，一般通過實驗來确定。對于給定的圖像，可以通過分析直方圖的方法确定最佳的阈值，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阈值。
邊緣分割
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，利用此特征可以分割圖像。
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。對于階躍狀邊緣，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)。因此常用微分算子進行邊緣檢測。
于邊緣和噪聲都是灰度不連續點，在頻域均為高頻分量，直接采用微分運算難以克服噪聲的影響。因此用微分算子檢測邊緣前要對圖像進行平滑濾波。
LoG算子和Canny算子是具有平滑功能的二階和一階微分算子，邊緣檢測效果較好，如圖4所示。其中loG算子是采用Laplacian算子求高斯函數的二階導數，Canny算子是高斯函數的一階導數，它在噪聲抑制和邊緣檢測之間取得了較好的平衡。
直方圖法
與其他圖像分割方法相比，基于直方圖的方法是非常有效的圖像分割方法，因為他們通常隻需要一個通過像素。在這種方法中，直方圖是從圖像中的像素的計算，并在直方圖的波峰和波谷是用于定位圖像中的簇。顔色和強度可以作為衡量。
基于直方圖的方法也能很快适應于多個幀，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采取多種方式。同樣的方法是采取一個框架可以應用到多個，和之後的結果合并，山峰和山谷在以前很難識别，但現在更容易區分。
直方圖也可以應用于每一個像素的基礎上，将得到的信息被用來确定的像素點的位置最常見的顔色。這種方法部分基于主動對象和一個靜态的環境，導緻在不同類型的視頻分割提供跟蹤。
應用領域
1.機器視覺
2.人臉識别
3.指紋識别
4.交通控制系統
5.在衛星圖像中定位物體（道路、森林等）
6.行人檢測
7.醫學影像，包括:腫瘤和其他病理的定位、組織體積的測量、計算機引導的手術、診斷治療方案的定制、解剖學結構的研究等
