;;;;;;;;;;;;;;;;;;;;;;;;对于一些光照不均匀的图像，使用统一阈值无法将背景与目标很好地分割出来，此时局部阈值分割是一种有效的解决方法。它在图像不同区域内选择不同的阈值，将图像分成若干子区域。这种方法可以在不同的光照条件下对图像进行有效的分割，因为不同区域的光照强度可能不同，因此阈值也会不同。
;对于下面介绍一种常用的局部阈值分割算法：
①对某个像素值，原来为S，取其周围n×n的区域，求区域均值或高斯加权值，记为T，将T作为局部阈值；
②判断S与T的大小关系，若ST，则将S赋值为目标像素值，否则赋值为背景像素值。
;上述方法为局部阈值分割的基本原理，在实际操作中，可以通过以下方法进行优化：
①在实际操作中，通过卷积操作，即均值滤波或高斯滤波，实现求区域均值或高斯加权值；
②增加超参数C，C可以为任何实数，将T-C作为比较的阈值而非T。;;除上述方法外，局部阈值分割的算法还有Sauvola算法、Niblack算法、Bradley算法等，不同的局部阈值分割算法的阈值计算方法不同，它们的计算速度、对噪声的敏感性、分割效果也不同。;;区域生长是一种聚类分割方法，按照预定义的生长准则，将具有相似性质的像素和子区域组合成为更大区域，最终形成分割结果。其基本实现为在图像中选取一组点作为“种子”，也就是区域生长的起点，将与种子点具有相似的预定义像素性质的邻域像素点，加入到对应种子点的区域中，实现区域生长，以刚加入种子点区域中的像素点作为新的起点向外扩张，直到没有满足条件的像素点加入，则生长完成了一个目标区域。;;;;区域生长算法的准确性依赖于种子点也就是生长起始点的选取，仅靠手动选取种子点很难获得较好的分割效果。;;因此，我们需要实现种子点的自动选取。在进行种子点自动选取时，有以下三个标准：
①种子点与周围像素点的灰度值相似：选择种子点时，应尽可能选择与周围像素点灰度值相似的点。这样可以确保分割结果的一致性和精确性。
②在目标区域内至少挑选一个初始种子点：在多区域分割时，应在每个目标区域内至少挑选一个初始种子点，这样可以保???每个目标区域都能被分割出来，并且分割结果准确。
③不同区域之间的种子点不连通：在多区域分割时，应确保不同区域之间的种子点不连通，这样可以避免分割结果出现重叠或缺失的情况，保证分割结果的准确性和可靠性。;?;?;?;区域分割算法，通过以种子点为起点，将与其满足相似性原则的像素点加入对应的区域。用于判断像素点间相似性的性质选取，取决于实际问题的需要以及待分割图像数据的类型。比如，对于卫星图像处理的依赖于彩色图像的固有信息，对于单色图像的处理依赖于灰度值和可表现出空间性质的描述子。;如果在区域生长中，没有考虑到像素点的连通性和相邻性，只利用相似性原则进行判断，则会产生错误的结果。举个例子，生成一张灰度图像，将其中灰度像素值相同的像素点设为一个“区域”，不考虑它们之间的连通性，最终得到的结果对当前问题会毫无价值。;同样，上文采用了基于区域内灰度相似性的生长准则，如果将上述实验中的区域生长阈值替换为5，那么整个图像都会成为目标区域，该分割结果将毫无意义，所以我们可以发现单纯的采用生长阈值判断作为生长准则分割结果是不稳定的，邻近区域灰度变化较为缓和时，可能会出现像素点的错误归类。;所以在实际应用中，对生长准则进行了调整，计算当前观测像素与种子像素颜色负差的最大值和当前观测像素与种子像素颜色正差的最大值，人工设定种子点区域生长的下界和上界，当观测像素点和种子点各通道差值在区域生长阈值范围内，则将该点加入该种子点区域。;;区域生长方法当图像中不再有像素点满足加入某个目标区域的相似性准则时，该分割方法停止。基于灰度值，空间信息，彩色信息等建立的相似性准则，在运行过程中不发生改变，没有利用到生长过程中加入目标区域的信息。为增强区域生长算法的运算能力，可加入待分类像素和已经进入目标区域的像素间相似性的比较、目标区域的轮廓形状等信息。该方法产生实际益处的基础是得到预期分割结果的模型至少部分可用。;;分水岭概念是以对图像进行三维可视化处理为基础的：其中两个是坐标，另一个是灰度级。对于这样一种“地形学”的解释，我们考虑两类点：
①当一滴水放在图中某点的位置上时，水一定不会再下落的局部极小值点；
②当水处在图中某点的位置上时，水会等概率地流向不止一个局部极小值点。
对一个特定的区域，满足条件①的点的集合组成地形的“谷底”。满足条件②的点的集合组成地形表面的峰线，其术语称作“分水岭”，“分水岭”之间的区域称为“汇水盆地”。;基于分水岭概念的分割算法的主要目标是找出分割线。其基本思想是通过把每个极小值位置都看做一个“漏口”，在每个漏口处让水涌出并均匀上升，直到整个区域被淹没，同时建立相互隔离的“坝”，以此来确