图像分割是指把图像中拥有不同纹理、颜色、灰度、色调、形状等不同特性的区域划分开来，提取出感兴趣的一个或多个目标的技术。各个分割后的区域都是原始图像的一部分，分割后的每个区域有相同的性质，彼此间又全无无交集，把所有区域连接起来能够拼接成原始图像。关于图像分割[2]的定义，我们能在不同的书籍资料中寻找到不同的定义描述。但最终发现他们的基本思想都是相通的，即按照用户的实际需要，通过各种图像技术，把图像中用户感兴趣的目标或区域划分凸显出来，为接下来的图像分析和图像理解工作做好基础和铺垫。由此能看出，图像分割的质量关系着之后图像分析和理解的成功与否，直接影响后续的工作。27522
现如今的图像分割体系极其庞大，在现实生活中的应用范围也异常之广，它涉及到了各类图像的分割，甚至可以说在绝大多数有关图像处理的领域都能见到他的身影。例如，在机器视觉系统和在机器人[3]的应用中，图像分割提供了机器拥有生物视觉系统相似功能的可能性。使机器能够从自然的环境中分辨出要关心的目标区域，更加智能化，行为判断也更加精确高效；在如今较为热门的人脸识别、指纹识别研究中，图像分割决定了识别的精准度，在安全保密和安全防护方面做出了贡献；在军事研究领域，图像分割后得到的目标区域能够有效的为飞行器等设备提供数据参数，方便进一步设计出导航路线，具体例子如小目标检测、提取合成孔径雷达[4]图像的目标；在交通图像识别分析的研究中，图像分割可以通过卡口设备的录像识别出前后车牌，车型等，在安防领域起着举足轻重的作用，如车牌识别[5]、车牌定位；在医学影像方面，肾脏，脑部等器官的图像分割一直是相关研究的重点和难点，图像分割把医学图像的不同区域更加清晰的区分开来，对肿瘤定位，组织体积测量，计算机手术引导都起了不同程度的辅助作用，有助于医生对患者病情的掌握、诊断和制定相关的治疗方案，如脑部MR分割，细胞分割等。除此之外，我们同样能在图像压缩、图像数据库查询、天文学、遥感气象查询等等领域发觉图像分割的应用。正是因为现实应用中有如此多的领域和图像分割密不可分，致使越来越多的分割算法和理论争相出现。论文网
图像分割的分类
    伴随着图像的出现，图像分割技术陆续出现及发展起来。在发展初期，人们的研究主要集中在基于边缘检测、阈值划分和区域提取三个基础方面，而后随着技术的进步和各个研究者的不懈努力，将小波理论、统计学理论、模糊理论[6]、形态学理论、神经网络、图谱理论、马尔可夫随机场模型等领域的成果应用于图像分割的研究中去[7][8]，又出现了一些新的模型，此处我们将图像分割大致分成以下不同的四类：基于图论的图像分割算法、基于模式聚类的图像分割算法、基于模型优化的图像分割算法、其他扩展的图像分割算法。
（1）基于图论的图像分割算法
    基于图论的图像分割算法可进一步分为基于区域和基于边缘的图像分割，前者算法的关键点在于种子像素的选择以及相应生长法则的制定。它会充分的利用图像的空间和颜色信息，在每个分割区域选好一个种子像素，按照生长法则将种子点进行扩张并合并成种子，如此循环下去直至结束。后者的主要思想是找寻图像中不连续或不同区域处作为边缘进行分割。如罗伯特边缘检测，Canny边缘检测，Sobel[9]边缘检测早已为大家所熟知。在很多时候，由于噪声的影响，我们需要找寻的边缘并不能准确的被标记出来，但是边缘检测和其他算法相结合还是可以得到非常好的效果。 图像分割技术的研究现状和分类:http://www.youerw.com/yanjiu/lunwen_22028.html