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(nèi)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(qiáng)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(jié)構(gòu)的突變等。邊緣常常意味著一個(gè)區(qū)域的終結(jié)和另一個(gè)區(qū)域的開(kāi)始。對(duì)于邊緣的檢測(cè)常常借助空間微分算子進(jìn)行，通過(guò)將其模板與圖像卷積完成。兩個(gè)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(jié)果，這種不連續(xù)可以利用求一階和二階導(dǎo)數(shù)檢測(cè)到。當(dāng)今的邊緣檢測(cè)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(cè)器對(duì)邊緣灰度值過(guò)渡比較尖銳且噪聲較小等不太復(fù)雜的圖像可以取得較好的效果。但對(duì)于邊緣復(fù)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(dǎo)數(shù)的邊緣檢測(cè)方法效果明顯降低，在噪聲較大的情況下所用的邊緣檢測(cè)算子通常都是先對(duì)圖像進(jìn)行適當(dāng)?shù)钠交?，抑制噪聲，然后求?dǎo)數(shù)，或者對(duì)圖像進(jìn)行局部擬合，再用擬合光滑函數(shù)的導(dǎo)數(shù)來(lái)代替直接的數(shù)值導(dǎo)數(shù)，如Canny算子等。在未來(lái)的研究中，用于提取初始邊緣點(diǎn)的自適應(yīng)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(rèn)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(diǎn)，常見(jiàn)的邊緣可分為階躍型、房頂型和凸緣型

邊緣檢測(cè)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(cè)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(dāng)前像素鄰域中的一些像素值擬合一個(gè)曲面，然后求這個(gè)連續(xù)曲面在當(dāng)前像素處的梯度。

3）小波多尺度邊緣檢測(cè)。

4）基于數(shù)學(xué)形態(tài)學(xué)的邊緣檢測(cè)。

最后通過(guò)圖像的輪廓（邊界）跟蹤來(lái)確定目標(biāo)區(qū)域：

圖像的輪廓（邊界）跟蹤與邊緣檢測(cè)是密切相關(guān)的，因?yàn)檩喞檶?shí)質(zhì)上就是沿著圖像的外部邊緣“走”一圈然后分割出目標(biāo)區(qū)域。

下圖是分別用Roberts、Sobel、Prewitt、LOG、Canny算子對(duì)灰度Lena圖像分割的結(jié)果：