公眾號關注?“DL-CVer”
設為 “星標”，DLCV消息即可送達！
作者丨Nango 明楠@知乎（已授權）來源丨編輯丨極市平臺
導讀
本文為作者對圖像分割的5種傳統方法：基于閾值、基于邊緣、基于區域、基于圖論、基于能量泛函的分割的總結，附有相關文章的鏈接。
神經網絡部分尚未收集整理。
下面內容是從網上獲取整理得出的，且都放了鏈接。
第一次寫，若侵權之類的麻煩跟我說下ps扣主體與背景顏色相似的圖，我立馬修改。謝謝～ = =
ps: Wiki也有完整介紹
%E5%9B%BE%E5%83%8F%E5%88%86%E5%89%B2
圖片分割根據灰度、顏色、紋理、和形狀等特征將圖像進行劃分區域，讓區域間顯差異性，區域內呈相似性。主要分割方法有：
基于閾值的分割方法
閾值法的基本思想是基于圖像的灰度特征來計算一個或多個灰度閾值，并將圖像中每個像素的灰度值與閾值相比較，最后將像素根據比較結果分到合適的類別中。因此，該類方法最為關鍵的一步就是按照某個準則函數來求解最佳灰度閾值。
直方圖雙峰法：
迭代閾值圖像分割:
自適應閾值圖像分割: 有時候物體和背景的對比度在圖像中不是處處一樣的，普通閾值分割難以起作用。這時候可以根據圖像的局部特征分別采用不同的閾值進行分割。只要我們將圖像分為幾個區域，分別選擇閾值，或動態地根據一定鄰域范圍選擇每點處的閾值，從而進行圖像分割。
最佳閾值:
基于邊緣的分割方法
基于區域的分割方法
按照圖像的相似性準則劃分為不同區域塊。主要有種子區域生長法、區域分裂合并法、分水嶺法等。
區域分裂合并法
分水嶺法
基于圖論的分割方法
此類方法把圖像分割問題與圖的最小割（min cut）問題相關聯。首先將圖像映射為帶權無向圖G=，圖中每個節點N∈V對應于圖像中的每個像素，每條邊∈E連接著一對相鄰的像素，邊的權值表示了相鄰像素之間在灰度、顏色或紋理方面的非負相似度。而對圖像的一個分割s就是對圖的一個剪切，被分割的每個區域C∈S對應著圖中的一個子圖。而分割的最優原則就是使劃分后的子圖在內部保持相似度最大，而子圖之間的相似度保持最小。基于圖論的分割方法的本質就是移除特定的邊，將圖劃分為若干子圖從而實現分割。目前所了解到的基于圖論的方法有，和 Walk等。
分割和摳圖
基于能量泛函的分割方法
該類方法主要指的是活動輪廓模型（ model）以及在其基礎上發展出來的算法，其基本思想是使用連續曲線來表達目標邊緣ps扣主體與背景顏色相似的圖，并定義一個能量泛函使得其自變量包括邊緣曲線，因此分割過程就轉變為求解能量泛函的最小值的過程，一般可通過求解函數對應的歐拉(Euler．)方程來實現，能量達到最小時的曲線位置就是目標的輪廓所在。
活動輪廓模型逐漸形成了不同的分類方式，較常見的是根據曲線演化方式的不同，將活動輪廓模型分為基于邊界、基于區域和混合型活動輪廓模型。按照模型中曲線表達形式的不同，活動輪廓模型可以分為兩大類：參數活動輪廓模型（ model）和幾何活動輪廓模型（ model）。
幾何活動輪廓模型（ model）:
傳統方法的收集大致結束。