来自维基百科：在计算机视觉领域，图像分割（Segmentation）指的是将数字图像细分为多个图像子区域（像素的集合）（也被称作超像素）的过程。图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。
图像分割通常用于定位图像中的物体和边界（线，曲线等）。更精确的，图像分割是对图像中的每个像素加标签的一个过程，这一过程使得具有相同标签的像素具有某种共同视觉特性。
图像分割的结果是图像上子区域的集合（这些子区域的全体覆盖了整个图像），或是从图像中提取的轮廓线的集合（例如边缘检测）。
一个子区域中的每个像素在某种特性的度量下或是由计算得出的特性都是相似的，例如颜色、亮度、纹理。邻接区域在某种特性的度量下有很大的不同。
图像分割是由图像处理进到图像分析的关键步骤。
来自百度知道：从学术角度讲图像分割主要分成3大类，一是基于边缘的，二是基于区域的，三是基于纹理的。由于基于纹理的也可以看成是基于区域的，所以有些专家也把分割方法分成基于边缘和基于区域两大类。
选择算法的时候主要参考你要分割的图像样本的特点。
如果图像的边界特别分明，比如绿叶和红花，在边界处红绿明显不同，可以精确提取到边界，这时候用基于边缘的方法就可行。
但如果是像医学图像一样，轮廓不是特别明显，比如心脏图像，左心房和左心室颜色比较接近，它们之间的隔膜仅仅是颜色比它们深一些，但是色彩上来说很接近，这时候用基于边缘的方法就不合适了，用基于区域的方法更好。
再比如带纹理的图像，例如条纹衫，如果用基于边缘的方法很可能就把每一条纹都分割成一个物体，但实际上衣服是一个整体，这时候用基于纹理的方法就能把纹理相同或相似的区域分成一个整体。
不过总体来说，基于区域的方法近些年更热一些，如Meanshift分割方法、测地线活动轮廓模型、JSEG等。
图像分割的分类：
（1）对灰度图像的分割常可基于像素灰度值的两个性质：
●不连续性——在区域之间的边界上一般具有灰度不连续性——基本边界的算法。
●相似性——区域内部的像素一般只有灰度相似性——基于区域的算法。
（2）根据分割过程中处理策略不同，分割算法又可分为：
●并行算法——所有判断和决定都可独立的和同时的做出。
●串行算法——早期的处理的结果可被其后的处理过程所利用。一般串行算法所需时间长，但抗噪声能力强。
分割算法可分成4类：（1）并行边界类（2）串行边界类（3）并行区域类（4）串行区域类
常用的图像分割算法：基于边缘检测的方法，阀值分割法（取灰度阈值），区域生长（种一个种子，然后扩展，直到将目标囊括进去），区域分裂合并（将大区域化小，最后将归属确定下来）等。
现已提出的分割算法大都是针对具体问题的，并没有合适与所有图像的分割算法。
