所谓阈值分割方法就是确定某个阈值T，根据图像中每个像素的灰度值大小或小于该阈值T，来进行图像分割。阈值方法的数学模型如下：

设原图像为f(x,y)，经过分割处理后的图像为g(x,y)，

这样得到的g(x,y)是一幅二值图像。

 （a）全局阈值 （b）自适应阈值

图2。1 全局阀值与自适应阀值

（2）区域分割方法有两种，一种是区域生长，一种是区域分裂合并。 

把具有相似性质的像素集合起来构成区域，这就是区域生长。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。区域生长方法从若干种子或种子区域出发，按照一定的生长准则，对邻域像素点进行判别并连接，直到完成所有像素点的连接。这种方法的关键在于种子点的位置、生长准则和生长顺序等。详细的思想是先对每一个所要分割的区域找到一个种子像素来作为所生长的起始点，根据某种实现确定的生长或者相似准则来判定种子像素周围于种子像素有相同或相似性质的像素合并到像素所在的区域中。得到的新像素后，在把这些像素当做新的像素种子，来继续上一步的过程。一直执行到没有符合条件的像素可以被包括进来。这样就长成了一个区域。

下图为区域生长分割的一个结果。

图2。3 区域生长分割结果

区域分裂与合并法则刚好相反，将整幅图像分裂成几个不相交的区域，最后将分裂区域中性质相同的小区域合并进行图像分割处理。从整个的图像出发，不断的分裂图像来得到各个子区域，然后把前景区域合并，来实现目标提取。假设对一幅图，前景区域是由一些互相连通的像素组成的。如果把一副图像分裂到像素级，那就可以判定出该像素是否就是前景像素。当判断完所有的像素点或子区域，在把前景区域或者像素合并就能得到前景目标。这种方法在使用中，最常见的是四叉树分解法,下图为四叉树分解示意图和效果图。 

图2。3(c) 四叉树分解效果图

（3）边缘（Edge）是指图像局部亮度变化最显著的部分。边缘主要存在于目标、目标与背景、区域与区域（包括不同色彩）之间，是图像分割、纹理特征提取和形状特征提取等图像分析的重要基础。图像分析和理解的第一步常常是边缘检测（Edge Detection）。由于边缘检测十分重要，因此成为机器视觉研究领域最活跃的课题之一。

图像中的边缘通常与图像亮度或图像亮度的一阶导数的不连续性有关。图像亮度的不连续可分为：①阶跃不连续，即图像亮度在不连续处的两边的像素灰度值有着显著的差异：②线条不连续，即图像亮度从一个值变化到另一个值，保持一个较小的行程后又返回到原来的值。在实际中，阶跃和线条边缘图像是很少见的，由于大多数传感元件具有低频特性，使得阶跃边缘变成斜坡型边缘，线条边缘变成屋顶形边缘，其中的亮度变化不是瞬间的，而是跨越一定的距离。

对一个边缘来说，有可能同时具有阶跃和线条特性。例如在一个表面上，由一个平面变化到法线方向不同的另一个平面就会产生阶跃边缘；如果这一表面具有镜面反射特性且两平面形成的棱角比较圆滑，则当棱角圆滑表面的法线经过镜面反射角时，由于镜面反射分量，在棱角圆滑表面上会产生明亮光条，这样的边缘看起来像在阶跃边缘上叠加了一个线条边缘。由于边缘可能与场景中物体的重要特性对应，所以它是很重要的图像特征。比如，一个物体的轮廓通常产生阶跃边缘，因为物体的图像亮度不同于背景的图像亮度。