圖像分割是計算計視覺研究中的經典難題，已成為圖像理解領域關注的一個熱點，

　　圖像分割作為圖像技術領域的一個經典難題，自上世紀七十年代以來吸引了眾多研究人員的研究熱情并為之付出了巨大努力，提出了很多圖像分割算法。這些分割算法分割性能的優劣，是用相關圖像分割質量測度來進行評價的。但由于對算法分割是否成功的客觀判定標準至今未得到解決，因此圖像分割算法分割質量得評價成為一項頗具研究意義的課題。有關圖像分割評價的方法已有少數的初步探討，但目前仍未有很好的歸納和整理。這不僅和圖像分割技術的研究應用現狀不相稱，也不利于圖像分割技術的發展。

　　圖像分割是圖像分析的第一步，是計算機視覺的基礎，是圖像理解的重要組成部分，同時也是圖像處理中最困難的問題之一。所謂圖像分割是指根據灰度、彩色、空間紋理、幾何形狀等特征把圖像劃分成若干個互不相交的區域，使得這些特征在同一區域內表現出一致性或相似性，而在不同區域間表現出明顯的不同。簡單的說就是在一副圖像中，把目標從背景中分離出來。對于灰度圖像來說，區域內部的像素一般具有灰度相似性，而在區域的邊界上一般具有灰度不連續性。 關于圖像分割技術，由于問題本身的重要性和困難性，從20世紀70年代起圖像分割問題就吸引了很多研究人員為之付出了巨大的努力。雖然到目前為止，還不存在一個通用的完美的圖像分割的方法，但是對于圖像分割的一般性規律則基本上已經達成的共識，已經產生了相當多的研究成果和方法。

　　圖像分割是指將圖像中感興趣區域（ROI）的邊界找到，使得邊界內部和外部的像素分別具備相似的特征（強度、紋理等）。醫學圖像分割是對醫學圖像進行其他后續處理的基礎。對圖像中目標區域的準確分割對于計算機輔助診斷、制訂手術計劃、目標3維重建以及放射性治療評價等都具有重要意義。近幾十年來，隨著醫學成像設備的不斷完善，醫學圖像的分割算法也層出不窮，但是很少能夠在臨床上得到廣泛應用。用一個全面的醫學圖像數據集合來客觀評價醫學圖像分割算法是將該算法向臨床應用推進的關鍵一步

　　傳統的圖像分割方法

　　基于閥值的圖像分割方法

　　閥值分割法是一種傳統的圖像分割方法，因其實現簡單、計算量小、性能較穩定而成為圖像分割中最基本和應用最廣泛的分割技術。閥值分割法的基本原理是通過設定不同的特征閥值，把圖像像素點分為具有不同灰度級的目標區域和背景區域的若干類。它特別適用于目標和背景占據不同灰度級范圍的圖，目前在圖像處理領域被廣泛應用，其中閥值的選取是圖像閥值分割中的關鍵技術。

　　灰度閥值分割方法是一種最常用的并行區域技術，是圖像分割中應用數量最多的一類。圖像若只用目標和背景兩大類，那么只需要選取一個閥值，此分割方法稱為單閥值分割。單閥值分割實際上是輸入圖像f到輸出圖像g的如下變換：

　　在上述表達式中，T為閥值，對于目標物體的圖像元素g（i，j）=1，對于背景的圖像元素g（i，j）=0。但是如果圖像中有多個目標需要提取，單一的閥值分割就會出錯。就需要選取多個閥值將每個目標分割開，這種分割方法稱為多閥值分割。

　　閥值分割的結果取決于閥值的選擇。由此可見，閥值分割算法的關鍵是確定閥值。閥值確定后，將閥值與像素點的灰度值比較以及對各像素的分割并行地進行。常用的閥值選擇方法有利用圖像灰度直方圖的峰谷法、最小誤差法、基于過渡區法、利用像素點空間位置信息的變化閥值法、結合連通信息的閥值方法、最大相關性原則選擇閥值和最大熵原則自動閥值法。

　　圖1是利用單閥值方法和局部閥值方法對細胞圖像分隔的結果，結果表明，在很多情況下，目標物體和背景的對比度在圖像的不同位置并不是一樣的，這是如果用一個統一的單閥值將目標與背景分開，效果是不理想的。如果根據圖像的局部特征分別用不同的閥值對圖像進行分割，即局部閥值分割，則效果要比單閥值分割要好得多。

　　閥值分割方法的優點是圖像分割的速度快，計算簡單，效率較高。但是這種方法只考慮像素點灰度值本身的特征，一般不考慮空間特征，因此對噪聲比較敏感。雖然目前出現了各種基于閥值分割的改進算法，圖像分割的效果有所改進，但在閥值的設置上還是沒有很好的解決方法，若將智能遺傳算法應用在閥值篩選上，選取能最優分割圖像的閥值，這可能是基于閥值分割的圖像分割法的發展趨勢。