区域生长是从一组生长点开始的，另一种方法是在开始时将图像分割为一系列任意不相交的区域，然后将它们合并或者拆分以满足限制条件，这就是区域分裂与合并。通过分裂，可以将不同特征的区域分离开，而通过合并，将相同特征的区域合并起来。
图像分割问题是一个十分困难的问题。因为分割后的图像是系统目标的一个函数，所以根本不存在理想的或正确的分割。
物体及其组成部件的二维表现形式受到光照条件、透视畸变、观察点变化、遮挡等的影响。此外，物体及其组成部件与背景之间在视觉上可能是无法区分的。因此，人们无法预测能够从图像中抽取出哪些与物体识别相关的初始信息。
唯一可以肯定的事情是，这一过程将在本质上具有不可靠性。某些有用的信息能够被抽取出，但同时也会出现许多错误。因此，在任何应用领域中都不存在最优解。分割结果的好坏或者正确与否，目前还没有一个统一的评价判断标准，大都从分割的视觉效果和实际的应用场景来判断。
特征提取 图像特征概述 什么是图像特征特征是某一类对象区别于其他类对象的相应（本质）特点或特性，或这些特点和特性的集合。特征是通过测量或处理能够抽取的数据。对于图像而言，每一幅图像都具有能够区别于其他类图像的自身特征，有些是可以直观地感受到的自然特征，如亮度、边缘、纹理和色彩等；有些则是需要通过变换或处理才能得到的，如矩阵、直方图以及主成分等。
图像特征的分类图像特征的分类有多种标准。如从特征自身的特点上可以将其分为两大类：描述物体外形的形状特征，以及描述物体表面灰度变化的纹理特征。而从特征提取所采用的方法上，又可以将特征分为统计特征和结构（句法）特征。
特征向量及其几何解释常常将某一类对象的多个或多种特性组合在一起，形成一个特征向量来代表该类对象，如果只有单个数值特征，则特征向量为一个一维向量；如果是n 个特性的组合，则为一个n 维特征向量。该特征向量常常被作为识别系统的输入。实际上，一个n 维特征就是一个位于n 维空间中的点，而识别（分类）的任务就是找到对这个n 维空间的一种划分，如图13.1所示。在后面各章的讨论中，一般将待分类的对象称为样本 ，将其特征向量称为样本特征向量或样本向量 。
比如说要区分3种不同的鸢尾属植物，可以选择其花瓣长度和花瓣宽度作为特征，这样就以1个2维特征代表1个植物对象，比如(5.1, 3.5)。如果再加上萼片长度和萼片宽度，则每个鸢尾属植物对象由一个4维特征向量表示，如(5.1, 3.5, 1.4, 0.2)。
特征提取的一般原则要对某个图像进行分类，应如何提取该图像的特征呢？一个最容易想到的方法是提取图像中所有像素的灰度值作为特征，这样可以提供尽可能多的信息给识别程序（分类器），让分类器具有最大的工作自由度。然而，高维度意味着高计算复杂度，这为后续的处理和识别带来了巨大的困难。
此外，很多时候由于操作者已经掌握了有关样本图像的某些先验知识，使得这种把全部像素信息都交给分类器的做法显得没有必要。如已经知道鼻子、肤色、面部轮廓等信息与表情关联不大，那么在表情识别中就不需要人脸照片中的全部信息。可以只拿出眉毛、眼睛和嘴这些表情区域作为特征提取的候选区，这时可以进一步在表情区中提取统计特征。
一般来说，特征提取应具体问题具体分析，其评价标准具有一定的主观性。然而，还是有一些可供遵循的普遍原则，能够作为操作者在特征提取实践中的指导。总结如下。
特征应当容易提取。换句话说，为了得到这些特征，付出的代价不能太大。当然，这还要与特征的分类能力权衡考虑。
选取的特征应对噪声和不相关转换不敏感。比如说要识别车牌号码，车牌照片可能是从各个角度拍摄的，而读者关心得是车牌上字母和数字的内容，因此就需要得到对几何失真变形等转换不敏感的描绘子，从而得到旋转不变，或是投影失真不变的特征。
最重要的一点，总是应试图寻找最具区分能力的特征。
基本统计特征 简单的区域描绘子