所謂圖像分割指的是根據(jù)灰度、顏色、紋理和形狀等特征把圖像劃分成若干互不交迭的區(qū)域，并使這些特征在同一區(qū)域內呈現(xiàn)出相似性，而在不同區(qū)域間呈現(xiàn)出明顯的差異性。

邊緣總是以強度突變的形式出現(xiàn)，可以定義為圖像局部特性的不連續(xù)性，如灰度的突變、紋理結構的突變等。邊緣常常意味著一個區(qū)域的終結和另一個區(qū)域的開始。對于邊緣的檢測常常借助空間微分算子進行，通過將其模板與圖像卷積完成。兩個具有不同灰度值的相鄰區(qū)域之間總存在灰度邊緣，而這正是灰度值不連續(xù)的結果，這種不連續(xù)可以利用求一階和二階導數(shù)檢測到。當今的邊緣檢測方法中，主要有一次微分、二次微分和模板操作等。這些邊緣檢測器對邊緣灰度值過渡比較尖銳且噪聲較小等不太復雜的圖像可以取得較好的效果。但對于邊緣復雜的圖像效果不太理想，如邊緣模糊、邊緣丟失、邊緣不連續(xù)等。噪聲的存在使基于導數(shù)的邊緣檢測方法效果明顯降低，在噪聲較大的情況下所用的邊緣檢測算子通常都是先對圖像進行適當?shù)钠交种圃肼?，然后求導?shù)，或者對圖像進行局部擬合，再用擬合光滑函數(shù)的導數(shù)來代替直接的數(shù)值導數(shù)，如Canny算子等。在未來的研究中，用于提取初始邊緣點的自適應閾值選取、用于圖像層次分割的更大區(qū)域的選取以及如何確認重要邊緣以去除假邊緣將變的非常重要。

根據(jù)灰度變化的特點，常見的邊緣可分為階躍型、房頂型和凸緣型

邊緣檢測的方法很多，主要有以下幾種：

1）空域微分算子，也就是傳統(tǒng)的邊緣檢測方法。如Roberts算子、Prewitt算子和Sobel算子等。

2）擬合曲面。該方法利用當前像素鄰域中的一些像素值擬合一個曲面，然后求這個連續(xù)曲面在當前像素處的梯度。

3）小波多尺度邊緣檢測。

4）基于數(shù)學形態(tài)學的邊緣檢測。

最后通過圖像的輪廓（邊界）跟蹤來確定目標區(qū)域：

圖像的輪廓（邊界）跟蹤與邊緣檢測是密切相關的，因為輪廓跟蹤實質上就是沿著圖像的外部邊緣“走”一圈然后分割出目標區(qū)域。

下圖是分別用Roberts、Sobel、Prewitt、LOG、Canny算子對灰度Lena圖像分割的結果：