個人認為影象分割的演算法可以從分割目標入手：通常是要將影象分成目標區域和背景。需要從影象的特徵入手，以灰度影象為例(其餘型別的影象處理均類似)，影象圖形很明顯的特徵有：影象灰度值特徵、目標邊界特徵、紋理特徵、形態學特徵等等；還有一些基於這些特徵所計算提取出的特徵，比如資訊熵、能量泛函等等。
最為簡單的就是灰度值特徵了，一幅圖中有時候目標區域與背景區域有很明顯的亮度區別，基於這個認識，只要試圖找到某個亮度的值，我們假設低於該值的認為是背景，高於該值的認為是目標。關於找這個值的演算法就是閾值分割演算法了，像OTSU、迭代法、最大熵法等等都是屬於這一範疇。
同時也可以注意到，在空域內，目標的邊界是區分目標與背景的重要依據，因此區分邊界也是一個重要的手段，通常邊界點周圍灰度值變化率很高，因此可以基於影象灰度梯度來識別。這就有一些sobel運算元、canny運算元等等方式，都是透過找到邊界來確定目標區域與背景的。
在有些影象中，目標區域具有一定的連續性，基於區域連續性的一些方法像區域生長法、分水嶺演算法等（本人對這一塊不是很熟悉）。
另外，基於影象原始的特徵進行提取獲得“精煉”的二級特徵，並據此分割也是一種好的方法。像SNAKE演算法，該演算法認為目標區域的邊界是“外力”，內力共同作用的結果，因此當外力內力平衡時找到邊界，基於這種平衡，提出了判斷能量泛函最小的判斷原則。此外，還有基於幾何活動輪廓模型的水平集方法，該方法是藉助於目標區域的幾何度量引數，可以比較好的處理一些拓撲變化。
個人認為影象分割的演算法可以從分割目標入手：通常是要將影象分成目標區域和背景。需要從影象的特徵入手，以灰度影象為例(其餘型別的影象處理均類似)，影象圖形很明顯的特徵有：影象灰度值特徵、目標邊界特徵、紋理特徵、形態學特徵等等；還有一些基於這些特徵所計算提取出的特徵，比如資訊熵、能量泛函等等。
最為簡單的就是灰度值特徵了，一幅圖中有時候目標區域與背景區域有很明顯的亮度區別，基於這個認識，只要試圖找到某個亮度的值，我們假設低於該值的認為是背景，高於該值的認為是目標。關於找這個值的演算法就是閾值分割演算法了，像OTSU、迭代法、最大熵法等等都是屬於這一範疇。
同時也可以注意到，在空域內，目標的邊界是區分目標與背景的重要依據，因此區分邊界也是一個重要的手段，通常邊界點周圍灰度值變化率很高，因此可以基於影象灰度梯度來識別。這就有一些sobel運算元、canny運算元等等方式，都是透過找到邊界來確定目標區域與背景的。
在有些影象中，目標區域具有一定的連續性，基於區域連續性的一些方法像區域生長法、分水嶺演算法等（本人對這一塊不是很熟悉）。
另外，基於影象原始的特徵進行提取獲得“精煉”的二級特徵，並據此分割也是一種好的方法。像SNAKE演算法，該演算法認為目標區域的邊界是“外力”，內力共同作用的結果，因此當外力內力平衡時找到邊界，基於這種平衡，提出了判斷能量泛函最小的判斷原則。此外，還有基於幾何活動輪廓模型的水平集方法，該方法是藉助於目標區域的幾何度量引數，可以比較好的處理一些拓撲變化。