影象分割的主要演算法：

1.基於閾值的分割方法

2.基於邊緣的分割方法

3.基於區域的分割方法

4.基於聚類分析的影象分割方法

5.基於小波變換的分割方法

6.基於數學形態學的分割方法

7.基於人工神經網路的分割方法

8.基於遺傳學演算法的分割方法

基於閾值的分割方法

閾值分割方法作為一種常見的區域並行技術，就是用一個或幾個閾值將影象的灰度直方圖分成幾個類，認為影象中灰度值在同一類中的畫素屬於同一物體。由於是直接利用影象的灰度特性，因此計算方便簡明、實用性強。顯然，閾值分割方法的關鍵和難點是如何取得一個合適的閾值。而實際應用中，閾值設定易受噪聲和光亮度影響。近年來的方法有：用最大相關性原則選擇閾值的方法、基於影象拓撲穩定狀態的方法、Yager測度極小化方法、灰度共生矩陣方法、方差法、熵法、峰值和谷值分析法等，其中，自適應閾值法、最大熵法、模糊閾值法、類間閾值法是對傳統閾值法改進較成功的幾種演算法。更多的情況下，閾值的選擇會綜合運用2種或2種以上的方法，這也是影象分割發展的一個趨勢。

特點

閾值分割的優點是計算簡單、運算效率較高、速度快。全域性閾值對於灰度相差很大的不同目標和背景能進行有效的分割。當影象的灰度差異不明顯或不同目標的灰度值範圍有重疊時，應採用區域性閾值或動態閾值分割法。另一方面，這種方法只考慮畫素本身的灰度值，一般不考慮空間特徵，因而對噪聲很敏感。在實際應用中，閾值法通常與其他方法結合使用。

基於邊緣的分割方法

基於邊緣檢測的分割方法試圖通過檢測包含不同區域的邊緣來解決分割問題，是最常用的方法之一。通常不同的區域之間的邊緣上畫素灰度值的變化往往比較劇烈，這是邊緣檢測得以實現的主要假設之一。常用灰度的一階或者二階微分運算元進行邊緣檢測。常用的微分運算元有一次微分(sobel運算元，Robert運算元等)，二次微分(拉普拉斯運算元等)和模板操作(Prewit運算元，Kirsch運算元等)。

特點

基於邊緣的分割方法其難點在於邊緣檢測時抗噪性和檢測精度之間的矛盾。若提高檢測精度，則噪聲產生的偽邊緣會導致不合理的輪廓；若提高抗噪性，則會產生輪廓漏檢和位置偏差。為此，人們提出各種多尺度邊緣檢測方法，根據實際問題設計多尺度邊緣資訊的結合方案，以較好的兼顧抗噪性和檢測精度。

基於區域的分割方法

區域分割的實質就是把具有某種相似性質的像索連通，從而構成最終的分割區域。它利用了影象的區域性空間資訊，可有效地克服其他方法存在的影象分割空間小連續的缺點。在此類方法中，如果從全圖出發，按區域屬性特徵一致的準則決定每個像元的區域歸屬，形成區域圖，常稱之為區域生長的分割方法。如果從像元出發，按區域屬性特徵一致的準則，將屬性接近的連通像元聚集為區域，則是區域增長的分割方法。若綜合利用上述兩種方法，就是分裂合併的方法。它是先將影象分割成很多的一致性較強的小區域，再按一定的規則將小區域融合成大區域，達到分割影象的目的。

特點

基於區域的分割方法往往會造成影象的過度分割，而單純的基於邊緣檢測方法有時不能提供較好的區域結構，為此可將基於區域的方法和邊緣檢測的方法結合起來，發揮各自的優勢以獲得更好的分割效果。

基於聚類分析的影象分割方法

特徵空間聚類法進行影象分割是將影象空間中的畫素用對應的特徵空間點表示，根據它們在特徵空間的聚集對特徵空間進行分割，然後將它們映射回原影象空間，得到分割結果。其中，K均值、模糊C均值聚類(FCM)演算法是最常用的聚類演算法。K均值演算法先選K個初始類均值，然後將每個畫素歸入均值離它最近的類並計算新的類均值。迭代執行前面的步驟直到新舊類均值之差小於某一閾值。模糊C均值演算法是在模糊數學基礎上對K均值演算法的推廣，是通過最優化一個模糊目標函式實現聚類，它不像K均值聚類那樣認為每個點只能屬於某一類，而是賦予每個點一個對各類的隸屬度，用隸屬度更好地描述邊緣畫素亦此亦彼的特點，適合處理事物內在的不確定性。利用模糊C均值(FCM)非監督模糊聚類標定的特點進行影象分割，可以減少人為的干預，且較適合影象中存在不確定性和模糊性的特點。

聚類方法應注意幾個問題：

(1)聚類的類數如何確定。

(2)怎樣確定聚類的有效性準則。

(3)聚類中心的位置和特性事先不清楚時，如何設定初始值。

(4)運算的開銷。

並且FCM演算法對初始引數極為敏感，有時需要人工干預引數的初始化以接近全域性最優解，提高分割速度。另外，傳統FCM演算法沒有考慮空間資訊，對噪聲和灰度不均勻敏感。

基於小波變換的分割方法

基於小波變換的閾值影象分割方法的基本思想是，首先由二進小波變換將影象的直方圖分解為不同層次的小波係數，然後依據給定的分割準則和小波係數選擇閾值門限，最後利用閾值標出影象分割的區域。整個分割過程是從粗到細，有尺度變化來控制，即起始分割由粗略的L2(R)子空間上投影的直方圖來實現，如果分割不理想，則利用直方圖在精細的子空間上的小波係數逐步細化影象分割。分割演算法的計算饋與影象尺寸大小呈線性變化。小波變換為訊號在不同尺度上的分析和表徵提供了一個精確和統一的框架。從影象分割的角度來看，小波分解提供了一個數學上完備的描述；小波變換通過選取合適的濾波器，可以極大地減少或去除所提取的不同特徵之間的相關性，不僅具有“變焦”特性，而且在實現上有快速演算法。

特點

小波變換是一種多尺度、多通道的分析工具它是空域和頻域的局域變換，因而能有效地從訊號中提取資訊，通過伸縮和平移等運算功能對函式或訊號進行多尺度分析，解決了傅立葉變換不能解決的許多問題。近年來多進位制小波開始用於邊緣檢測。另外，利用正交小波基的小波變換也可提取多尺度邊緣，並可通過對影象奇異度的計算和估計來區分一些邊緣的型別。

基於數學形態學的分割方法

數學形態學是一種非線性濾波方法，可以用於抑制噪聲、特性提取、邊緣檢測、影象分割等影象處理問題。數學形態學首先被用來處理二值影象，後來也被用來處理灰度影象，現在又有學者開始用軟數學形態學和模糊形態學來解決計算機視覺方面的問題。數學形態學的特點是能將複雜的形狀進行分解，並將有意義的形狀分量從無用的資訊中提取出來。它的基本思想是利用一個稱為結構元素的探針來收集影象的資訊，當探針在影象中不斷的移動時，不僅可根據影象各個部分間的相互關係來了解影象的結構特徵，而且利用數學形態學基本運算還可以構造出許多非常有效的影象處理與分析方法。其基本的形態運算是腐蝕與膨脹。腐蝕具有使目標縮小、目標內孔增大以及外部孤立噪聲消除的效果;而膨脹是將影象中與目標物體接觸的所有背景點合併到物體中的過程，結果是使目標增大、孔徑縮小，可以增補目標中的空間，使其形成連通域。數學形態學中另一對基本運算方法是開運算和閉運算。開運算具有消除影象是細小物體，並在物體影響纖細處分離物體和平滑較大物體邊界的作用;閉運算具有填充物體影像內細小空間， 接鄰近物體和平滑邊界的作用。

特點

數學形態學應用於影象分割，具有定位效果好、分割精度高、抗噪聲效能好的特點。同時這種方法也有著自身的侷限性：由於在影象處理的前期工作中，採用數學形態學的開(閉)運算，進行影象處理後，依然存在大量與目標不符的短線和孤立點;由於預處理工作的不徹底，還需要進行一系列的基於點的開(閉)運算，因此運算速度明顯下降。如何將數學形態學與其它方法綜合運用以克服這些缺陷，將是數學形態學以後的工作方向。連線鄰近物體和平滑邊界的作用。

基於人工神經網路的分割方法

近年來，人工神經網路識別技術已經引起了廣泛的關注，並應用於影象分割。基於神經網路的分割方法的基本思想是通過訓練多層感知機來得到線性決策函式，然後用決策函式對畫素進行分類來達到分割的目的

特點

用人工神經網路的方法分割影象，需要大量的訓練資料。神經網路存在巨量的連線，容易引入空間資訊，能較好地解決影象中的噪聲和不均勻問題。選擇何種網路結構是這種方法要解決的主要問題。

基於遺傳學演算法的分割方法

遺傳演算法(GA)，是一種模擬自然選擇和遺傳機制的搜尋和優化過程，它具有很強的全域性優化搜尋能力，是一種具有廣泛適用性的自適應搜尋方法。它在搜尋空間中是在種群中而不是在單點上進行尋優，它在求解過程中使用遺傳操作規則而不是確定性規則來工作。這些特點使得遺傳演算法很適於應用在影象分割中，尤其是閾值分割法以及區域生長法中。利用GA的全域性尋優能力及對初始位置的不敏感特性，可以改進影象分割的效能。

特點

遺傳演算法應用於影象分割，其難點在於適應度函式的選擇以及交叉概率和變異概率的確定。GA還有可能收斂於區域性最優。可考慮使用能夠自適應設定交叉概率和變異概率自適應遺傳演算法以及和模擬退火法相結合的混合遺傳演算法。