同的峰。选取的阈值应2位于两个峰之间的谷，从而将各个峰分开。阈值分割的优点是实现相对简单，对于不类的物体灰度值或其他特征值相差很大时，能很有效的对图像进行分割。阈值分割通常作为医学图像的预处理，然后应用其他一系列分割方法进行后处理。阈值分割的缺点是不适用于多通道图像和特征值相差不大的图像，对于图像中不存在明显的灰度差异或各物体的灰度值范围1
有较大重叠的图像分割问题难以得到准确的结果。区域生长和分裂合并是将分割过程分解为顺序的多个步骤，其中后续步骤要根据前面步骤的结果进行判断而确定的两种典型的串行区域
f分割方法。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。区域生长算法的研究重点一是特征度量和区域增长规则的设计，二是算法的高效性和准确性。区域增长方式的优点是计算简单。与阈值分割类似，区域增长也很少单独使用，往往是与其他分割方法一起使用，特别适用于分割小的结6构如肿瘤和伤疤。区域生长的缺点是它需要人工交互以获得种子点，这样使用者必须在每个需要抽取出的区域中植入一个种子点。同时，区域增长方式也对噪声敏感，导致抽取出的区域有空洞或者在局部体效应的情况下将分开的区域连接起来。与区域生长法不同，分裂合并法是先将整幅图像进行分裂，然后根据某种判断准则将类似的相邻区域进行合并。虽然它5不需要设定初始种子点，但分裂和合并准则的设计是分裂合并法存在的难点。分类是模式识别领域中一种基本的统计分析方法。分类的目的是利用已知的训练样本集在图像的特征空间找到点、曲线、曲面或超曲面（高维），从而实现对图像的划分。分类器有两个有点：1、不需要迭代运算，因此计算量相对较小。2、能应用于多通道图像。但分类器没有考虑空间信息，因此对灰度不均匀的图像分割效果不好。分类器还要求由手工分类生成训练集，工作量大。聚类算法与分类器算法极为类似，只是它不需要训练样本，因此聚类是一种无监督的统计方法。因为没有训练样本集，聚类
f算法迭代执行对图像分类和提取各类的特征值。从某种意义上说，聚类是一种自我训练的分类。另一方面，聚类也没有考虑空间2关联信息，因此也对噪声和灰度不均匀敏感。八十年代以来，聚类方法开始被用于核磁图像多参数特性空间的分类，如脑白质和灰质的分割。基于随机场的方法是将图像看作一个马尔科夫r