1．实验法
实验法是通过人眼的观察，对已知某些特征的图像，只要试验不同的阈值，然后看是否满足已知特征即可。这种方法的问题是适用范围窄，使用前必须事先知道图像的某些特征，譬如平均灰度等，而且分割后的图像质量的好坏受主观局限性的影响很大。
2．根据直方图谷底确定阈值
如果图像的前景物体内部和背景区域的灰度值分布都比较均匀，那么这个图像的灰度直方图将具有明显双峰，此时可以选择两峰之间的谷底作为阈值，如图12.15所示。
此种单阈值分割方法简单易操作，但是当两个峰值相差很远时不适用，而且，此种方法比较容易受到噪声的影响，进而导致阈值选取的误差。
对于有多个峰值的直方图，可以选取多个阈值，这些阈值的选取一般没有统一的规则，要根据实际情况运用。
由于直方图是各灰度的像素统计，其峰值和谷底特性不一定代表目标和背景。因此，如果没有图像其他方面的知识，只靠直方图进行图像分割是不一定准确的。
3．迭代选择阈值法
迭代式阈值选择方法的基本思想是：开始选择一个阈值作为初始估计值，然后按照某种规则不断地更新这一估计值，直到满足给定的条件为止。这个过程关键得是选择怎么样的迭代规则。一个好的迭代规则必须既能够快速收敛，又能够在每一个迭代过程中产生的优于上次迭代的结果。
4．最小均方误差法
最小均方误差法也是常用的阈值分割法之一。这种方法通常以图像中的灰度为模式特征，假设各模式的灰度是独立分布的随机变量，并假设图像中待分割的模式服从一定的概率分布。一般来说，采用的是正态分布，即高斯概率分布。
一般来讲，确定能使均方误差最小的参数很复杂，而上述讨论也在图像的前景和背景都为正态分布的条件下成立。但是，图像的前景和背景是否都为正态分布，也是一个具有挑战性的问题。
5．最大类间方差法
在对图像进行阈值分割时，选定的分割阈值应使前景区域的平均灰度、背景区域的平均灰度与整幅图像的平均灰度之间差别最大，这种差异用区域的方差来表示。由此，Otsu在1978年提出了最大方差法。该算法在判决分析最小二乘法原理的基础上推导得出，计算简单，是一种稳定、常用的算法。
前面所讲的图像分割方法都是基于像素的灰度来进行阈值分割，本节将讨论以区域为基础的图像分割技术。传统的区域分割方法有区域生长和区域分裂与合并，其中最基础的是区域生长法。
区域生长区域生长是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。其基本思想是从一组生长点开始（生长点可以是单个像素，也可以为某个小区域），将与该生长点性质相似的相邻像素或者区域与生长点合并，形成新的生长点，重复此过程直到不能生长为止。生长点和相邻区域的相似性判据可以是灰度值、纹理、颜色等多种图像信息。
1．区域生长算法
区域生长一般有以下3个步骤。
选择合适的生长点。
确定相似性准则即生长准则。
确定生长停止条件。
一般来说，在无像素或者区域满足加入生长区域的条件时，区域生长就会停止。
图12.19给出一个区域生长的实例。图12.19（a）为原图像，数字表示像素的灰度。以灰度为8的像素为初始的生长点，记为f （i ，j ）。在8邻域内，生长准则是待测点灰度值与生长点灰度值相差为1或者0。那么，如图12.19（b）所示，第１次区域生长后，f （i -1, j ）、f （i , j -1）、f （i , j +1）与中心点灰度值相差都为1，因而被合并。第2次生长后，如图12.19（c）所示，f （i +1, j ）被合并。第3次生长后，如图12.19（d）所示，f （i +1, j -1）、f （i +2, j ）被合并，至此，已经不存在满足生长准则的像素点，生长停止。
上面的方法是比较单个像素与其邻域的灰度特征以实现区域生长，也有一种混合型区域生长。把图像分割成若干小区域，比较相邻小区域的相似性，如果相似则合并。在实际中，区域生长时经常还要考虑到生长的“历史”，还要根据区域的尺寸、形状等图像的全局性质来决定区域的合并。
区域分裂与合并