虽然近年来图像分割的研究成果越来越多，但由于图像分割本身所具有的难度，使研究仍然存在一些问题，现有的许多种算法都是针对不同的图像，并没有一种普遍适用的分割算法。迄今为止，没有一个好的通用的分割评价标准，如何对分割结果作出量化的评价是一个值得研究的问题，该量化测度应有助于视觉系统中的自动决策及评价算法的优劣，该测度应考虑到均质性、对比度、紧致性、连续性、心理一视觉感知等因素，伴随着数字图像处理的应用领域不断扩大，实时处理技术已成研究的热点，在实时图像处理系统中，算法的运行时间也成为今后研究的方向和目标。
虽然图像分割目前尚无通用的理论，但是近年来大量学者致力于将新概念、新方法应用于图像分割，结合特定理论的图像分割方法在图像分割方面取得了较好的应用效果。如小波分析和小波变换、神经网络、遗传算法等数学工具的利用，有效地改善了分割效果用。
图像分割方法是将相邻的像素连接起来形成一个区域，且同一个区域内的像素必须具有某种相似性。这类分割方法往往根据像素点的灰度值、纹理、统计特征和颜色等来建立联系，保证同一区域内具有相似性和连续性，但分割效果的优劣表现出对相似性条件具有强烈的依赖性，且分割结果极易出现过分割。基于区域的图像分割方法主要包括分裂合并和区域生长。分裂合并法首先分裂整幅图像，然后通过某种准则判断分裂区域的相似性，合并相邻的相似分裂区域，得到分割结果。区域生长法需事先设定相似性原则和生长种子，从生长种子出发将满足相似性原则的相邻像素不断合并，构成一个区域，达到划分区域完成图像分割的目的，其中最关键的是相似性原则的设定和生长种子的选取。
ZhuSong等提出了一种结合Snake模型的几何特征与区域增长的统计特征的分割方法，该算法首先利用区域生长将图像分割层若干区域，再利用贝叶斯和最小描述长度进行区域竞争，合并坏种子所在的区域，从而得到正确的分割图像。张馄等提出了一种自适应分裂合并的聚类算法，通过定义空间连通率，并利用中垂线分割来对聚类进行自适应地分裂合并。
基于区域的图像分割技术主要用来识别图像中具有特性相似的区域，要求同 一区域的像素具有相似的特征且连通，正因为这样，它具有消除孤立噪声点的能力。但是，区域生长法对种子点的选取要求很高，选取的结果将直接影响图像分 割的效果。分裂合并法虽然不需要选择生长种子点，但是其分割效果与分裂程度 之间存在一个很大的矛盾，即当分裂相对充分时，具有较好的分割效果，但分割 的时间和工作量将增大;若要提高效率只能减少分裂工作，这将影响分割的质量
- 基于遗传算法的图像分割
遗传算法是模拟自然界生物进化过程与机制求解问题的一类自组织与自适应的人工智能技术。对此，科学家们进行了大量的研究工作，并成功地运用于各种类型的优化问题，在分割复杂的图像时，人们往往采用多参量进行信息融合，在多参量参与的最优值求取过程中，优化计算是最重要的，把自然进化的特征应用到计算机算法中，将能解决很多问题。遗传算法的出现为解决这类问题提供了新而有效的方法，不仅可以得到全局最优解，而且大量缩短了计算时间。提出的基于信息融合技术的彩色图像分割方法，该方法应用剥壳技术将问题的复杂度降低，然后将信息融合技术应用到彩色图像分割中，为彩色分割在不同领域中的应用提供了一种新的思路与解决办法。
- 基于人工神经网络技术的图像分割
基于神经网络的分割方法的基本思想是先通过训练多层感知器来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。近年来，随着神经学的研究和进展，第三代脉冲耦合神经网络（PCNN）作为一种新型人工神经网络模型，其独特处理方式为图像分割提供了新的思路。
脉冲耦合神经网络具有捕获特性，会产生点火脉冲传播，对输入图像具有时空整合作用，相邻的具有相似输入的神经元倾向于同时点火。因此对于灰度图像，PCNN具有天然的分割能力，与输入图像中不同目标区域对应的神经元在不同的时刻点火，从而将不同区域分割开来。如果目标区域灰度分布有重叠，由于PCNN的时空整合作用，如果灰度分布符合某种规律，PCNN也能克服灰度分布重叠所带来的不利影响，从而实现较完美的分割 。这是其一个突出的优点，而这恰恰是其他的分割方法所欠缺的，其在未来的图像分割中将起主导作用。
- 基于分析和变换的图像分割性和多分辨率分析能力，在图像处理等领域得到了广泛的应用。变换是一种多尺度多通道分析工具，比较适合对图像进行多尺度的边缘检测。从图像处理角度看，变换具有“变焦”特性，在低频段可用高频率分辨率和低时间分辨率，在高频段可用低频率分辨率和高时间分辨率，交换在实现上有快速算法具有多分辨率，也叫多尺度的特点，可以由粗及精地逐步观察信号等优点。
如果您需要手势识别数据集，欢迎访问数据堂
近年来多进制开始用于边缘检测。另外，把变换和其它方法结合起来的图像分割技术也是现在研究的热点。
