图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点，

　　图像分割作为图像技术领域的一个经典难题，自上世纪七十年代以来吸引了众多研究人员的研究热情并为之付出了巨大努力，提出了很多图像分割算法。这些分割算法分割性能的优劣，是用相关图像分割质量测度来进行评价的。但由于对算法分割是否成功的客观判定标准至今未得到解决，因此图像分割算法分割质量得评价成为一项颇具研究意义的课题。有关图像分割评价的方法已有少数的初步探讨，但目前仍未有很好的归纳和整理。这不仅和图像分割技术的研究应用现状不相称，也不利于图像分割技术的发展。

　　图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。

　　图像分割是指将图像中感兴趣区域（ROI）的边界找到，使得边界内部和外部的像素分别具备相似的特征（强度、纹理等）。医学图像分割是对医学图像进行其他后续处理的基础。对图像中目标区域的准确分割对于计算机辅助诊断、制订手术计划、目标3维重建以及放射性治疗评价等都具有重要意义。近几十年来，随着医学成像设备的不断完善，医学图像的分割算法也层出不穷，但是很少能够在临床上得到广泛应用。用一个全面的医学图像数据集合来客观评价医学图像分割算法是将该算法向临床应用推进的关键一步

　　传统的图像分割方法

　　基于阀值的图像分割方法

　　阀值分割法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。阀值分割法的基本原理是通过设定不同的特征阀值，把图像像素点分为具有不同灰度级的目标区域和背景区域的若干类。它特别适用于目标和背景占据不同灰度级范围的图，目前在图像处理领域被广泛应用，其中阀值的选取是图像阀值分割中的关键技术。

　　灰度阀值分割方法是一种最常用的并行区域技术，是图像分割中应用数量最多的一类。图像若只用目标和背景两大类，那么只需要选取一个阀值，此分割方法称为单阀值分割。单阀值分割实际上是输入图像f到输出图像g的如下变换：

　　

　　在上述表达式中，T为阀值，对于目标物体的图像元素g（i，j）=1，对于背景的图像元素g（i，j）=0。但是如果图像中有多个目标需要提取，单一的阀值分割就会出错。就需要选取多个阀值将每个目标分割开，这种分割方法称为多阀值分割。

　　阀值分割的结果取决于阀值的选择。由此可见，阀值分割算法的关键是确定阀值。阀值确定后，将阀值与像素点的灰度值比较以及对各像素的分割并行地进行。常用的阀值选择方法有利用图像灰度直方图的峰谷法、最小误差法、基于过渡区法、利用像素点空间位置信息的变化阀值法、结合连通信息的阀值方法、最大相关性原则选择阀值和最大熵原则自动阀值法。

　　图1是利用单阀值方法和局部阀值方法对细胞图像分隔的结果，结果表明，在很多情况下，目标物体和背景的对比度在图像的不同位置并不是一样的，这是如果用一个统一的单阀值将目标与背景分开，效果是不理想的。如果根据图像的局部特征分别用不同的阀值对图像进行分割，即局部阀值分割，则效果要比单阀值分割要好得多。

　　

　　阀值分割方法的优点是图像分割的速度快，计算简单，效率较高。但是这种方法只考虑像素点灰度值本身的特征，一般不考虑空间特征，因此对噪声比较敏感。虽然目前出现了各种基于阀值分割的改进算法，图像分割的效果有所改进，但在阀值的设置上还是没有很好的解决方法，若将智能遗传算法应用在阀值筛选上，选取能最优分割图像的阀值，这可能是基于阀值分割的图像分割法的发展趋势。