4、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（mincut）問題相關聯。首先將圖像映射為帶權無向圖G=《V，E》，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GraphCut，GrabCut和RandomWalk等。

5、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（activecontourmodel）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，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．Lagrange）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。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（parametricactivecontourmodel）和幾何活動輪廓模型（geometricactivecontourmodel）。

參數活動輪廓模型是基于Lagrange框架，直接以曲線的參數化形式來表達曲線，最具代表性的是由Kasseta1（1987）所提出的Snake模型。該類模型在早期的生物圖像分割領域得到了成功的應用，但其存在著分割結果受初始輪廓的設置影響較大以及難以處理曲線拓撲結構變化等缺點，此外其能量泛函只依賴于曲線參數的選擇，與物體的幾何形狀無關，這也限制了其進一步的應用。

幾何活動輪廓模型的曲線運動過程是基于曲線的幾何度量參數而非曲線的表達參數，因此可以較好地處理拓撲結構的變化，并可以解決參數活動輪廓模型難以解決的問題。而水平集（LevelSet）方法（Osher，1988）的引入，則極大地推動了幾何活動輪廓模型的發展，因此幾何活動輪廓模型一般也可被稱為水平集方法。

6、基于聚類的分割方法

聚類分析是多元統計分析的方法之一，也是模式識別中非監督模式識別的一個重要分支。根據數據集合的內部結構將其分成不同的類別，使得同一類內樣本的特征盡可能相似，而屬于不同類別的樣本點的差異盡可能大。聚類分析技術大致上可分為硬聚類、模糊聚類與可能性聚類方法。

硬聚類方法中，樣本點歸屬于不同類別的隸屬度函數取值為0或1，即每個樣本只可能屬于某一特定的類別。傳統的硬聚類方法包括k均值聚類以及ISODATA等。模糊聚類方法是一種基于目標函數迭代優化的無監督聚類方法，樣本點的隸屬度函數取值為區間［0，1］，同時每個樣本點對各類的隸屬度之和為1，即認為樣本點對每個聚類均有一個隸屬度關系，允許樣本點以不同的模糊隸屬度函數同時歸屬于所有聚類。模糊聚類方法的軟性劃分，真實地反映了圖像的模糊性和不確定性，因此其性能優于傳統的硬分割方法。目前模糊聚類方法已經廣泛應用于圖像處理特別是醫學圖像處理中，其中最常用的是模糊C均值聚類方法（FCM）。可能性聚類樣本點的隸屬度函數同樣取值為區間［0，1］，但其不要求隸屬度之和為1。可能性聚類不僅顧及到樣本與聚類中心的隸屬度關系，同時考慮了樣本的典型性對分類結果的影響。傳統的聚類算法沒有考慮圖像的空間信息，因此其對噪聲與灰度分布不均非常敏感。為提高模糊聚類算法在圖像分割中的效果，國內外學者提出了很多改進方法，其中結合空間信息是最常見的方法。