本文章只做简单介绍各个分割方法，后续会对各个方法一一做详细介绍
数字图像处理常用的图像分割算法有：
- 基于阀值的分割方法。
- 基于边缘的分割方法。
- 基于区域的分割方法。
- 基于聚类分析的图像分割方法。
- 基于小波变换的分割方法。
- 基于数学形态学方法。
- 基于人工神经网络的方法。
- 基于遗传算法的方法。
阈值分割
1、原理
用一个或几个阈值将图像的灰度直方图分成几个类， 认为图像中灰度 值在同一类中的像素属于同一物体。（常用的二值分割）
2、优点
直接利用图像的灰度特性，所以计算简单、运算效率较高、速度快。
3、适用范围
相差很大的不同目标和背景能进行有效的分割。
4、缺点
对噪声敏感，对灰度差异不明显以及不同目标灰度值有重叠分割不明显，所以需要与其他方法进行结合。合适的阈值查找。
边缘分割
1、原理
通常不同的区域之间的边缘上像素灰度值的变化往往比较剧烈， 这是边缘检测方法得以实现的主要假设之一。常用灰度的一阶或二阶微分算子进行边缘检测。
2、优点
搜索检测的速度快，对边缘检测好。
3、适用范围
低噪声干扰，区域之间的性质差别很大（或则说边缘变化大）。
4、缺点
不能得到较好的区域结构，边缘检测时抗噪性和检测精度之间的矛盾。精度提高，则会牺牲抗噪性，反之。我们可以设置一个熵，取一个折中的办法，求取熵最大的时候的精度和抗噪性。
区域分割
1、原理
把具有某种相似性质的像索连通，从而构成最终的分割区域。它采用两种方法：分裂和合并
2、优点
有效地克服其他方法存在的图像分割空间小连续的缺点，有较好的区域特征。
3、适用范围
需得到具有区域结构的分割图。
4、缺点
容易造成图像的过度分割，将边缘检测与区域分割结合，可以得到良好的分割效果。
聚类分析的图像分割
1、原理
将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，得到分割结果。它采用两种方法：K 均值、模糊 C 均值聚类(FCM)算法
2、优点
且 FCM 算法对初始参数极为敏感，有时需要人工干预参数的初始化以接近全局最优解，提高分割速度。
3、适用范围
适合图像中存在不确定性和模糊性。
4、缺点
传统 FCM 算法没有考虑空间信息，对噪声和灰度不均匀敏感。
聚类分析所要做的工作。
(1)、聚类的类数如何确定。
(2)、怎样确定聚类的有效性准则。
(3)、聚类中心的位置和特性事先不清楚时， 如何设置初始值。
(4)、运算的开销。
小波变换的分割
1、原理
将基于小波变换的阈值图像分割方法的基本思想是，首先由二进小波变换将图像的直方图分解为不同层次的小波系数，然后依据给定的分割准则和小波系数选择阈值门限，最后利用阈值标出图像分割的区域。
2、优点
空域和频域的局域变换，因而能有效地从信号中提取信息，通过伸缩和平移等运算功能对函数或信号进行多尺度分析，解决了傅立叶变换不能解决的许多问题。由于是频域操作，所以对噪声不敏感。
3、适用范围
用于边缘检测，可提取多尺度边缘，并可通过对图像奇异度的计算和估计来区分一些边缘的类型。
4、缺点
选取合适的滤波器
基于数学形态学方法
1、原理
利用一个称为结构元素的探针来收集图像的信息， 当探针在图像中不断的移动时， 不仅可根据图像各个部分间的相互关系来了解图像的结构特征， 而且利用数学形态学基本运算还可以构造出许多非常有效的图像处理与分析方法。
2、优点
定位效果好、分割精度高、抗噪声性能好
基本的形态运算是腐蚀与膨胀。
3、适用范围
可以用于抑制噪声、特性提取、边缘检测、图像分割等图像处理问题，处理灰度图像
4、缺点
图像处理后， 依然存在大量与目标不符的短线和孤立点。由于预处理工作的不彻底， 还需要进行一系列的基于点的开( 闭) 运算， 因此运算速度明显下降。克服这些缺陷，将是数学形态学以后的工作方向。
基于人工神经网络
1、原理
通过训练多层感知机来得到线性决策函数，然后用决策函数对像
素进行分类来达到分割的目的。
2、优点
解决图像中的噪声和不均匀问题。
3、适用范围
可以用于抑制噪声、特性提取、边缘检测、图像分割等图像处理问题，处理灰度图像
4、缺点
选择何种网络结构是这种方法要解决的主要问题。需要大量数据，速度非常慢，结构复杂，分割精度与数据量有关。
基于遗传算法的方法
1、原理
利用 GA 的全局寻优能力及对初始位置的不敏感特性， 可以改进图像分割的性能。
2、优点
很强的全局优化搜索能力。
3、适用范围
适用于阈值分割法以及区域生长法中，寻找全局最优。
4、缺点
其难点在于适应度函数的选择以及交叉概率和变异概率的确定。GA 还有可能收敛于局部最优。
声明
这是我自己看了一些论文和文章，从中的一些总结和摘抄，可能我的理解有误，希望大家多多提提宝贵的意见。而且我的语言能力不是太好，大家将就看看。哈哈