多數的影象分割演算法均是基於灰度值的不連續和相似的性質。在前者中，演算法以灰度突變為基礎分割一幅影象，如影象邊緣分割。假設影象不同區域的邊界彼此完全不同，且與背景不同，從而允許基於灰度的區域性不連續性來進行邊界檢測。後者是根據一組預定義的準則將一幅影象分割為相似區域，如閾值處理、區域生長、區域分裂和區域聚合都是基於這種方法形成的。下面將對每類演算法進行詳細說明。
影象邊緣分割：邊緣是影象中灰度突變畫素的集合，一般用微分進行檢測。基本的邊緣檢測演算法有：Roberts運算元、Prewitt運算元、Sobel運算元。稍高階的演算法有：Marr-Hilderth邊緣檢測器、Canny邊緣檢測器。
影象閾值分割：由於閾值處理直觀、實現簡單且計算速度快，因此閾值處理在分割應用中處於核心地位。閾值處理可以分為單閾值處理與多閾值處理。在單閾值處理中最常用且分割效果也不錯的演算法是Otsu（最大類間方差演算法）演算法。多閾值處理：K類由K-1個閾值來分離，即計算影象的多個類間方差，多閾值處理的分割結果相較於單閾值的結果雖然會更好一些，但分類數量增加時它會開始失去意義，因為我們僅僅處理一個變數（灰度），此時可以透過增加變數如彩色來進行解決。
基於區域的分割：區域生長演算法和區域分裂與聚合都是屬於基於區域的分割演算法。區域生長演算法是根據預先定義的生長準則將畫素或子區域組合為更大的區域的過程。基本方法是從一組“種子”點開始，將與種子預先定義的性質相似的那些鄰域畫素新增到每個種子上來形成這些生長區域（如特定範圍的灰度或顏色）。區域分裂與聚合是首先將一幅影象細分為一組任意的不相交區域，然後按照一定規則聚合、分裂這些區域。
形態學分水嶺演算法：分水嶺的概念是以三維形象化一幅影象為基礎的。在圖中，我們主要考慮三種類型的點：（1）屬於一個區域最小值的點；（2）把一點看成是一個水滴，如果把這些點放在任意位置上，水滴一定會下落到一個單一的最小值點；（3）處在該點的水會等可能性地流向不止一個這樣的最小值點。對於一個特定的區域最小值，滿足條件（2）的點的集合稱為該最小值的匯水盆地或分水嶺。滿足條件（3）的點形成地表面的峰線，稱之為分割線或分水線。為了達到更好的分割效果，常常將分水嶺演算法應用到梯度影象上，而不是影象本身。
多數的影象分割演算法均是基於灰度值的不連續和相似的性質。在前者中，演算法以灰度突變為基礎分割一幅影象，如影象邊緣分割。假設影象不同區域的邊界彼此完全不同，且與背景不同，從而允許基於灰度的區域性不連續性來進行邊界檢測。後者是根據一組預定義的準則將一幅影象分割為相似區域，如閾值處理、區域生長、區域分裂和區域聚合都是基於這種方法形成的。下面將對每類演算法進行詳細說明。
影象邊緣分割：邊緣是影象中灰度突變畫素的集合，一般用微分進行檢測。基本的邊緣檢測演算法有：Roberts運算元、Prewitt運算元、Sobel運算元。稍高階的演算法有：Marr-Hilderth邊緣檢測器、Canny邊緣檢測器。
影象閾值分割：由於閾值處理直觀、實現簡單且計算速度快，因此閾值處理在分割應用中處於核心地位。閾值處理可以分為單閾值處理與多閾值處理。在單閾值處理中最常用且分割效果也不錯的演算法是Otsu（最大類間方差演算法）演算法。多閾值處理：K類由K-1個閾值來分離，即計算影象的多個類間方差，多閾值處理的分割結果相較於單閾值的結果雖然會更好一些，但分類數量增加時它會開始失去意義，因為我們僅僅處理一個變數（灰度），此時可以透過增加變數如彩色來進行解決。
基於區域的分割：區域生長演算法和區域分裂與聚合都是屬於基於區域的分割演算法。區域生長演算法是根據預先定義的生長準則將畫素或子區域組合為更大的區域的過程。基本方法是從一組“種子”點開始，將與種子預先定義的性質相似的那些鄰域畫素新增到每個種子上來形成這些生長區域（如特定範圍的灰度或顏色）。區域分裂與聚合是首先將一幅影象細分為一組任意的不相交區域，然後按照一定規則聚合、分裂這些區域。
形態學分水嶺演算法：分水嶺的概念是以三維形象化一幅影象為基礎的。在圖中，我們主要考慮三種類型的點：（1）屬於一個區域最小值的點；（2）把一點看成是一個水滴，如果把這些點放在任意位置上，水滴一定會下落到一個單一的最小值點；（3）處在該點的水會等可能性地流向不止一個這樣的最小值點。對於一個特定的區域最小值，滿足條件（2）的點的集合稱為該最小值的匯水盆地或分水嶺。滿足條件（3）的點形成地表面的峰線，稱之為分割線或分水線。為了達到更好的分割效果，常常將分水嶺演算法應用到梯度影象上，而不是影象本身。