1．边界提取
要在二值图像中提取物体的边界，容易想到的一个方法是将所有物体内部的点删除（置为背景色）。具体地说，可以逐行扫描原图像，如果发现一个黑点（图11.17中黑点为前景点）的8个邻域都是黑点，则该点为内部点，在目标图像中将它删除。实际上这相当于采用一个3×3的结构元素对原图像进行腐蚀，使得只有那些8个邻域都有黑点的内部点被保留，再用原图像减去腐蚀后的图像，恰好删除了这些内部点，留下了边界像素。
2．边界跟踪
为了依次记录下边界上的各个像素，边界跟踪首先按照某种扫描规则找到目标物体边界上的一个像素，而后就以该像素为起始点，根据某种顺序（如顺时针或逆时针）依次找出物体边界上的其余像素，直到又回到了起始点，完成整条边界的跟踪。
区域填充可视为边界提取的反过程，它是在边界已知的情况下得到边界包围的整个区域的形态学技术。
连通分量提取在二值图像中提取连通分量是许多自动图像分析应用中的核心任务。提取连通分量的过程实际上也是标注连通分量的过程，通常的做法是给原图像中的每个连通区分配一个唯一代表该区域的编号，在输出图像中该连通区内的所有像素的像素值就赋值为该区域的编号，将这样的输出图像称为标注图像。
细化算法骨架”是指一副图像的骨骼部分，它描述物体的几何形状和拓扑结构，是重要的图像描绘子之一。计算骨架的过程一般称为“细化”或“骨架化”，在包括文字识别、工业零件形状识别以及印刷电路板自动检测在内的很多应用中，细化过程都发挥着关键作用。通常，对操作者感兴趣的目标物体进行细化有助于突出目标的形状特点和拓扑结构，并且减少冗余的信息量。
像素化算法细化适用于和物体拓扑结构或形状有关的应用，如前述的手写字符识别。但有时操作者关心的是目标对象是否存在，它们的位置关系，或者是个数，这时在预处理中加入像素化步骤就会给后续的图像分析带来极大的方便。
凸壳如果连接物体A 内任意两点的直线段都在 A 的内部，则称 A 是凸的。
灰度图像中的基本形态学运算TODO.
图像分割 图像分割概述图像分割的方法和种类有很多，有些分割算法可以直接运用于大多数图像，而另一些则只适用于特殊类别的图像，要视具体情况来决定。一般采用的方法有边缘检测(Edge Detection)、边界跟踪（Edge Tracing）、区域生长（Region Growing ）、区域分离和聚合等。
图像分割算法一般基于图像灰度值的不连续性或其相似性。不连续性是基于图像灰度的不连续变化分割图像，例如图像的边缘，有边缘检测、边界跟踪等算法；相似性是依据事先制定的准则将图像分割为相似的区域，如阈值分割、区域生长等。
图像分割在实际的科学研究和工程技术领域中有着广泛的应用。在工业上，应用于矿藏分析、无接触式检测、产品的精度和纯度分析等；生物医学上，应用于计算机断层图像CT、X光透视、核磁共振、病毒细胞的自动检测和识别等；交通上，应用于车辆检测、车种识别、车辆跟踪等；另外，在机器人视觉、神经网络、身份鉴定、图像传输等各个领域都有着广泛的应用。
边缘检测图像的边缘是图像的最基本特征 ，边缘点是指图像中周围像素灰度有阶跃变化或屋顶变化的那些像素点，即灰度值导数较大或极大的地方。图像属性中的显著变化通常反映了属性的重要意义和特征。
边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。
边缘检测概述边缘检测可以大幅度地减少数据量，并且剔除那些被认为不相关的信息，保留图像重要的结构属性。
1．边缘检测的基本步骤
（1）平滑滤波：由于梯度计算易受噪声的影响，因此第一步是用滤波去除噪声。但是，降低噪声的平滑能力越强，边界强度的损失越大。
（2）锐化滤波：为了检测边界，必须确定某点邻域中灰度的变化。锐化操作加强了存在有意义的灰度局部变化位置的像素点。
（3）边缘判定：在图像中存在许多梯度不为零的点，但是对于特定应用，不是所有点都有意义。这就要求操作者根据具体情况选择和去除处理点，具体的方法包括二值化处理和过零检测等。
（4）边缘连接：将间断的边缘连接成为有意义的完整边缘，同时去除假边缘。主要方法是Hough变换。
2．边缘检测方法的分类
通常可将边缘检测的算法分为两类：基于查找的算法和基于零穿越的算法。除此之外，还有Canny边缘检测算法、统计判别方法等。