1、基于阈值的分割方法
阈值分割利用的是图像灰度直方图信息，计算量小，算法利于实现，但是容易导致错误分割
，同时没有考虑空间信息，容易受到噪音等原因产生影响，其主要是作为一种预处理方法。
原理是：先根据像素的某一特征确定分割阈值，然后将像素的这个特征值于此分割阈值想比较，
并以此决定将该像素归入哪一类子像素。
2、基于边界的分割方法
将图像划分为子图，获得二维图像时，不可避免会存在边界，边界像素表现为灰度幅值的不连续。
而显现边界的关键是边界两侧像素特征存在明显的差异，因此可以通过边界进行子图像的划分，
实现图像分割。
3、基于区域增长分割方法
区域生长和分裂合并方法，是一种典型的串行区域分割方法，原理是根据用户的预定义相似性函数，
将图像像素或者子区域聚合成为更大的区域在实际应用中，区域增长法需要确定区域数目，选择具
有代表性的种子点，选择有意义的特征.选择停止的准则，计算方法简单，区域算法的精髓是将图像
分类为多个相似的小区域,按照邻接参考某种标准合并，对于连续的均匀的目标，如血管、实质性
组织，具有较好的准确性、高效性。该法对噪音较敏感，更适合分割肿瘤、伤疤这些较小的结构。
4、基于图论的医学图像分割方法
基于图论的图像分割也是一种分割技术，无需初始化，原理就是将图像分割转换为图的最优划分
问题，利用剪切标准得到最佳的分割策略，它是一种全局准则，那么图像分割的过程就是得到全局
最优解的过程。
5、基于活动轮廓模型的图像分割方法
活动轮廓模型是由Kass等首先提出一种图像分割技术,Gaselles等进一步发展了该技术，近年来开
始用于视觉追踪等其他领域。基于边缘的活动轮廓模型运用图像的梯度信息提取目标边界,
这种方法利用边缘停止函数可以分割边缘比较明显的图像，对噪声比较敏感，依赖于初始轮廓位置。
基于边缘的活动轮廓模型的主要优势是分割过程中不需要设置图像的全局约束项。
因此，在某些情况下，该方法可以分割目标和背景不均匀的图像，分割效果令人满意。
6、基于信息论图像分割方法
信息论就是采用概率论、数理统计的方法来研究信息，将信息的传递作为一种统计现象，它为
人们研究信息以及相关领域提供了理论基础，熵是信息论中最基本的度量单位。医学图像分割
可以利用信息论中熵的理论来完成。熵是图像统计特性的一种表示形式，定义为：
其中p(x)表示随机变量x的概率密度函数。
7、基于模糊集理论图像分割方法
早在1965年模糊集概念被Zadeh提出，模糊集是指采用不准确的经验知识定义一个事件。模糊理论
主要被用于模式识别领域，于表示信息不完备、不确定、病态表示的不确定性，用于图像分割技术
又可分为模糊阈值分割、模糊聚类分割、模糊连接度分割等。
8、基于统计学的图像分割方法
从统计学的角度进行图像分割是指将图像的各个像素点特征值作为一种概率分布的随机变量，
从概率的角度来看,找出最应该得到图像的某种组合，又可分为分类器、聚类、随机场、混合分布
等。以最常用的聚类分析为例，其余分类器算法类似，但无需训练样本，是一种无监督的算法，
通过迭代进行图像分类，提取每一类的特征值,按照算法又可分为K均值、模糊C均值、
期望最大化算法等。
9、基于神经网络图像分割
神经网络是当前医学研究热点，被广泛用于计算机模拟诊断，方便了对疾病的筛查工作。神经网络
通过大量的具有自适应性的简单单元组成相互连接的网络模型，可作为训练分类器，来确定权重，
本质是一个分类以及标记图像的过程。
除了上述方法外，医学图像分割方法还有许多。最后，图像分割的趋势是采用分割性能较好的算法，采用多种分割方法相结合，进行多次处理。
参考文献：
[1]刘宇,陈胜.医学图像分割方法综述[J].电子科技,2017,30(08):169-172.
[2]郑倩. 医学图像分割方法研究及其应用[D].南方医科大学,2014.
