（2）区域生长
区域生长是一种已受到人工智能领域中的计算机视觉十分关注的图像分割方法。这种分割方法的基本思想是把具有相似性质的像素集合起来构成区域。具体实现是在每个分割区域内寻找一个种子像素，根据事先确定的生长或相似准则，在种子周围领域内寻找与种子像素具有相同或相似性质的像素并将其合并到种子所在的区域。
区域生长是一种典型的串行区域分割方法，其特点是将处理过程分解为多个顺序步骤，其中后续步骤的处理要根据前面步骤的结果进行判断后确定。采用区域生长法的关键在于种子点的位置选择、生长准则和生长顺序。此方法最简单的形式是先人工给出一个种子点，然后提取出和此种子点具有相同灰度值的所有像素。一般的区域生长法存在的问题是：①如何定义区域一致性准则；②其分割结果和种子点的选择有很大关系；③对噪声很敏感；④很容易产生图像过分割现象。
（3）边缘检测法
边缘检测法是基于图像不连续性的分割技术。由于一幅图像的大部分信息存在于不同区域的边缘上，而且人的视觉系统在很大程度上根据边缘差异对图像进行识别分析，所以可以通过检测图像的边缘信息来实现对图像的分割。基于边界检测的分割方法其基本思想是先检测图像中的边界点，再按一定策略连接成轮廓，从而构成分割区域。这类方法有两个主要的技术难点，即边界检测和边界连接。
简单的边缘检测可以借助空域微分算子通过卷积完成。常见的边界检测方法包括基于各种边界检测算子（如Roberts算子，Sobel算子，Prewitt算子，Canny算子，二阶方向导数算子，Laplacian算子，LOG边界检测算子等）的边界检测、多尺度边界检测、基于曲面拟合的边界检测、基于模糊数学的边界检测、基于数学形态学的边界检测、基于神经网络的边界检测、基于统计判决的边界检测等。
基于边界检测的图像分割在边界检测后通常需要把得到的边界连接起来，常见的边界连接方法可以分成两大类，即局部方法和全局方法。局部方法通常是在每个边界点的小邻域内搜索并连接相近的点，而全局方法通常是把图像平面上所有边界点视为一个整体来考虑。常用的全局边界连接方法有基于Hough变换的边界连接方法、基于网络搜索的边界连接方法和基于动态规划的边界连接方法等。
（4）特征空间聚类法
特征空间聚类法是通过聚类的方法对图像特征空间进行相似性划分。用聚类方法做分割应用较为广泛，其基本原理是把图像空间中的元素映射到某个特征空间中，通过将特征空间的点聚类成团，然后再映射回原图像空间以得到分割的结果。
特征聚类方法众多，特征聚类可以是单特征聚类（比如基于颜色特征的K均值聚类），也可以是多特征聚类（比如基于坐标和颜色特征的Mean-Shift算法）。特征聚类按照元素与类别之间的隶属关系可分为硬性聚类和模糊聚类；按照各类别之间的关系可分为基于类划分的聚类和分等级的聚类；按照聚类方法所基于的技术又可以分成基于核技术的聚类、基于神经网络技术的聚类、基于图论技术的聚类、基于组合优化技术的聚类等。如果把特征空间简单地认为是灰度值空间，则阈值分割可以看作是聚类分割的一个特例。
聚类法必须解决的两个关键问题就是：一是如何选定样本之间的类似程度；二是如何根据样本之间的类似程度将给定的样本集划分为不同的类群。在特征空间聚类的分割中，图像特征的选取、相似度的计算和正确的聚类方法是算法研究的关键。
1.1.3  图像分割的应用 Mean-shift和K均值聚类彩色图像分割技术研究(3):http://www.751com.cn/tongxin/lunwen_22293.html