多数分割算法均是基于灰度值的两个基本性质：不连续性和相似性。对于不连续的灰度，方法是以灰度突变为基础分割一幅图像，比如图像的边缘。对于相似的灰度，主要是根据一组预定义的准则吧一幅图像分割为相似的区域。阈值处理、区域生长、区域分裂和区域聚合都是这类方法的例子。例如边缘检测也结合了阈值处理的技术。
1、点、线和边缘检测
介绍以灰度局部剧烈变化检测为基础的分割方法。我们感兴趣的是孤立点、线和边缘。
所得出的结论有：
1）一阶导数通常图像中产生较粗的边缘
2）二阶导数对精细细节，如细线、孤立点和噪声有较强的响应
3）二阶导数在灰度斜坡和灰度台阶过度处会产生双边沿响应
4）二阶导数的符号可以确定边缘的过渡是从亮到暗还是从暗到亮
5）选导数提取边沿之前最好是做下图像的平滑，导数对噪声比较敏感
（为什么二阶导数在细节增强方面（包括噪声）远比一阶导数强？因为我们知道单位斜坡函数的二阶导数是冲激函数！！如上图所示右边的图像中左侧的斜坡，一阶导数不为零，二阶导数只有在开始处和结尾处不为零为冲击，所以一阶导数会产生“粗”边缘，而二阶导数会产生细边缘，对孤立点和线也是如此。）
边缘检测和图像分割的联系：
边缘检测后的图像是二值图像，对二值图像可以运用形态学操作来分割目标，所以边缘检测是图像分割的一个前提。但分割不一定非要用边缘检测。
2、边缘模型
我们可以得出结论：一阶导数的幅度可用于检测图像中的某个点处是否存在一个边缘。
同样，二阶导数的符号可用于确定一个边缘像素位于改变原的暗侧还是亮侧。我们注意到围绕一条边缘的二阶导数的两个附加性质：（1）对图像中的每条边缘，二阶导数生成两个值（一个不希望的特点）；
（2）二阶导数的零交叉点可用于定位粗边缘的中心。
由上图得知：微弱的可见噪声严重影响检测边缘所用的两个关键导数的事实，我们应该在使用导数之前进行平滑处理！
执行边缘检测的三个步骤 ：
- 为降噪对图像进行平滑处理。
- 边缘点的检测。
3、边缘定位。
......