基于区域的分割算法，基于边缘的算法。首先检测出图像局部特征的不连续性，然后将这些不连续的边缘像素拼接成完整的边界。边缘的特性是沿着边缘走向的像素变化平缓，而垂直于边缘方向的像素变化剧烈。基于主动轮廓的方法，测地线主动边缘模型，基于区域均匀性和类不确定性最小化求取最优阈值，类不确定性高的像素出现在物体的边缘附近。基于Bayesian的图像分割方法，基于均值移动的图像分割算法，找到概率密度梯度为0的采样点，并且以此作为特征空间聚类的模式点。 找到密度梯度变化的为0的点。根据核函数，就可以对密度进行估计。密度用核函数的形式表示。计算Mean Shift。

基于Graph-cut的分割方向，有向赋权图。割就是把一个图像分成两个子集。割：将s-t分成s图和t图。找到一个容量最小的S-T割。将点集划分为不相交的若干子集和。对于这样的图，我们用邻接矩阵。两类间的相似性可以用图割来表示。仅考虑用割集的权值来度量两个类间的去相关性。通过定义新的类间相似性度量。特征向量离散化，求取第二小的特征向量。构建一个如下的能量函数，获取最优的最小值。

第10章

http://v.gucas.ac.cn/search?t=1&wd=%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%A7%86%E8%A7%89+II