像，可以利用试探的方法确定门限。然而大多数情况下，图像的先验知识较少，此时只能从图像本身的特征来确定门限，常利用图像的统计特性进行门限求解。此外，还可以利用动态门限，模糊门限等方法提高阈值分割的准确性。图1显示了基于固定门限值的图像分割效果和图像的直方图。
图1基于固定门限的图像分割和图像直方图
12边缘分割技术
边缘是指其周围像素灰度有变化的那些像素的集合。物体的边缘是由灰度不连续所反映出来的。边缘分割技术依赖于由边缘检测算子找到的图像边缘，这些边缘标示出图像中灰度、色彩、纹理等方面不连续的位置。这种基于边缘检测的图像分割方法不依赖于已经处理像素的结果，更适合并行化处理。但是该方法对噪声比较敏感，而且当边缘像素值变化不明显时，容易产生虚假边界或者不连续的边界，从而导致分割失败。因此，边缘检测包括两个基本内容：1、抽取反映灰度变化的边缘点。2、剔除某些边界点或填补边界间断点，并将边缘连接成完整的曲线。图像中边界上的像素点的邻域应该是一个灰度级变化的带，衡量这种变化最有效的特征值就是灰度的变化率和变化方向，它们分别以梯度向量的幅值和方向来表示。对于连续图像，
2
f服装图像分割和提取方法
其方向导数在法线方向上有局部最大值。因此，边缘检测就是求图像梯度的局部最大值和方向。实际应用中，一般将边缘检测算子以微分算子的形式表示，然后采用快速卷积函数来实现。目前可采用的微分算子有很多种。下图展示了几种不同微分算子的边缘检测结果。
图2各种微分算子的边缘检测结果
此外，还有很多不同的边缘检测方法，如基于图像滤波的方法、基于边界曲线拟合的方法、状态空间搜索法、动态规划法、边界跟踪法、Hough变化法等，均可以对图像边缘进行检测，为图像分割提供依据。这里要着重强调的是边界跟踪的方法，通过启发式的图搜索方法对图像边界进行跟踪，可以通过启发式的信息，自主寻找图像中的边界点，有效提高边界检测的效率。
13区域分割技术
不同于前两种分割技术依赖于像素值的差别进行分割，区域分割算法依赖于图像的空间局部特征，如灰度、纹理及其他像素统计特性的均匀性等。它是依据图像的灰度、颜色或者几何特性将图像中具有特殊含义的不同区域分开，这些区域互不相交，每个区域都满足特定区域的一致性。典型的区域分割算法有：区域生长法，分裂合并法，分水岭法等。它们的优点是对噪声不敏感；缺点是常常会造成图像的过分分割，分割的结果很大r