的方法随着图像分割在数字图像处理中的应用越来越多，不可或缺的作用越来越明显，图像分割的方法以飞快的速度发展。经典的方法不断被改进，新方法不断出现。下面介绍目前常用的图像分割方法。321基于区域的分割方法：图像分割通常会用到不同对象间特性的不连续性和同一对象内部的特性相似性。基于区域的算法侧重于利用区域内的特性相似性。主要的基于区域的方法有：A）：灰度阈值化方法这也本文研究的重点。将在下一章详细叙述。B）：区域生长和分裂合并它们是两种典型的串行区域分割方法，其特点是将分割过程分解为顺序的多个步骤，其中后续的步骤要根据前面的步骤的结果进行判断而确定。区域生长的基本思想是将具有相似性质的像素集合起来构成区域，该方法需要先选取一个种子点，然后依次将种子像素周围的相似像素合并到种子像素所在的区域中。区域生长也很少单独使用，往往是与其它分割方法一起使用，特别适用于分割小的结构如肿瘤和伤疤。在区域合并方法中，输入图像往往先被分为多个相似的区域，然后类似的相邻区域根据某种判断准则迭代地进行合并。在区域分裂技术中，整个图像先被堪称一个区域，然后区域不断被分裂为四个矩形区域直到每个区域内部都是相似的。其它常用于医学图像的基于区域的分割方法还有分类器和聚类、基于随机场的方法、标记法等等。322边缘检测法：基于边缘的分割方法可以说是人们最早研究的方法，基于在区域边缘上的像素灰度值的变化往往比较剧烈，它试图通过检测不同区域间的边缘来解决图像分割问题。A并行微分算子并行微分算子法对图像中灰度的变化进行检测，通过一阶导数极值点或二阶导数过零点来检测边缘，通常用的一阶导数算子有梯度算子、Prewitt算子和Sobel算子；二阶导数算子有Laplacia
算子，还有Kirsch算子和Walls算子等非线性算子。梯度算子不仅对边缘信息敏感，而且对图像噪声也很敏感。为了减少噪声对图像的影像，通常在求导之前先对图像进行滤波。B基于曲面拟合和边界曲线拟合的方法曲面拟合方法的基本思想是将灰度看成高度，用一个曲面来拟合一个小窗口内的数据，然后根据该曲面来决定边缘点。基于边界曲线拟合的方法用平面曲线来表示不同区域之间的图像边界线，试图根据图像梯度等信息找出能正确表示
f边界的曲线从而得到图像分割的目的。C基于形变模型的方法基于形变模型的方法综合利用了区域与边界信息，结合了几何学、物理学和近似理论。它们通过使用从图像数据获得的约束信息和r