单一阈值的灰度直方图
T1 T2 多阈值的灰度直方图
阈值选取依据:
1、仅取决于图像灰度值，仅与各个图像像素本身性质相关的阈值选取——全局阈值。
2、取决于图像灰度值和该点邻域的某种局部特性，即与局部区域特性相关的的阈值选取——局部阈值。
3、除取决于图像灰度值和该点邻域的某种局部特性之外，还取决于空间坐标，即得到的阈值与坐标相关——动态阈值或者自适应阈值。 全局阈值
原理：假定物体和背景分别处于不同灰度级，图像被零均值高斯噪声污染，图像的灰度分布曲线近似用两个正态分布概率密度函数分别代表目标和背景的直方图，利用这两个函数的合成曲线拟合整体图像的直方图，图像的直方图将会出
现两个分离的峰值，如下图然后依据最小误差理论针对直方图的两个峰间的波谷所对应的灰度值求出分割的阈值。
阈值T 双峰直方图
该方法适用于具有良好双峰性质的图像，但需要用到数值逼近等计算，算法十分复杂，而且多数图像的直方图是离散、不规则的。
在实际阈值分割过程中，往往需要能够自动获取阈值，下面的算法可以自动获得全局阈值：
1）选取一个的初始估计值T；
2）用T分割图像。这样便会生成两组像素集合：G1由所有灰度值大于T的像素组成，而G2由所有灰度值小于或等于T的像素组成。
3）对G1和G2中所有像素计算平均灰度值u1和u2。 4）计算新的阈值：T=1/2(u1 + u2)。
重复步骤（2）到（4），直到得到的T值之差小于一个事先定义的参数T。 下图是迭代阈值选择法图像分割的结果与Otsu（即最大相关性原则选择阈值的方法）阈值选择法图像分割的结果比较 两种方法效果相差不大。
4.区域分割方法
区域增长法和分裂合并法是基于区域信息的图像分割的主要方法。区域增长有两种方式，一种是先将图像分割成很多的一致性较强的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的。另一种实现是给定图像中要分割目标的一个种子区域，再在种子区域基础上将周围的像素点以一定的规则加入其中，最终达到目标与背景分离的目的；分裂合并法对图像的分割是按区域生长法沿相反方向进行的，无需设置种子点。其基本思想是给定相似测度和同质测度。从整幅图像开始，如果区域不满足同质测度，则分裂成任意大小的不重叠子区域，如果两个邻域的子区域满足相似测度则合并。
区域生长是区域分割最基本的方法。所谓区域生长就是一种根据事先定义的准则将像素或者子区域聚合成更大区域的过程。
基本思想：
以一组生长点（可以是单个像素，也可以是某个小区域）开始，搜索其邻域，
把图像分割成特征相似的若干区域，比较相邻区域与生长点特征的相似性，若它们足够相似，则作为同一区域合并，形成新的生长点。以此方式将特征相似的区域不断合并、直到不能合并为止，最后形成特征不同的各区域。这种分割方式也称区域扩张法。
在实际应用时，要解决三个问题：
1）确定区域的数目，也就是选择一组能正确代表所需区域的生长点像素； 2）选择有意义的特征，也就是确定在生长过程中将相邻区域像素包括进来的
方式；
3）确定相似性准则，即获取生长过程停止的准则。
特征相似性是构成与合并区域的基本准则，相邻性是指所取的邻域方式。根据所用的邻域方式和相似性准则的不同，产生各种不同的区域生长法。
将灰度相关的值作为区域生长准则，区域生长可分为单一型(像素与像素)、质心型(像素与区域)和混合型(区域与区域)三种。 单一型区域生长法原理：
以图像的某个像素为生长点，将特征相似的相邻像素合并为同一区域；然后以合并的像素为生长点，重复以上的操作，最终形成具有相似特征的像素的最大连通集合。
下面给出以像素灰度为特征进行简单区域生长的步骤。
(1)对图像进行光栅扫描，找出尚没有归属的像素。当寻找不到这样的像素时结束操作。
(2)把这个像素灰度同其周围(4-邻域或8-邻域)不属于任何一个区域的像素进行比较，若灰度差值小于某一阈值，则将它们合并为同一个区域，并对合并的像素赋予标记。
(3)从新合并的像素开始，反复进行(2)的操作，直到区域不能再合并为止。 (4)返回(1)操作，寻找能作为新区域出发点的像素。 优缺点：
这种方法简单，但如果区域之间的边缘灰度变化很平缓或边缘交于一点时，两个区域会合并起来。 解决方法：
为消除这一点，在步骤(2)中不是比较相邻像素灰度，而是比较已存在区域的像素灰度平均值与该区域邻接的像素灰度值。
下图是选择三个生长点的区域生长法图像分割的结果与选择另外三个不同生长点的区域生长法图像分割的结果比较
第一副图的生长点为 横坐标 [30, 40, 82] 纵坐标[56, 30, 35]。 第二副图的生长点为 横坐标 [63, 10, 85] 纵坐标[30, 56, 60]。 生长点在第一幅图像中用绿色方块表示
从对比可以看出，区域生长法的缺点就是分割结果决定于生长点的选择。