图像分割在图象处理中担任着首要地位，同时也难倒了大量的研究人员。自二十世纪七八十年代起研究人士们一直对其极为注重，目前为止设计出的分割算法已经数不胜数了。

作为较早被提出来的阈值分割算法，由于简洁适用的特性在诸多领域均得到了普遍利用。其中，最普遍的阈值分割算法是由Otsu设计的最大类间方差法[2]以及Kapur设计的最大熵法[2]。另外，针对普通的Otsu算法所出现的阈值偏移问题，JingHao Xue设计了一种改进的Otsu中值算法[3]。他通过对阈值准则进行细致分析，提出了最佳的Otsu阈值计算法，使得Otsu算法获得了更加完善的理论支持。为了改善Otsu准则内部所存在的缺陷，程杰等人提出了一种基于直方图的算法，能找出最佳的分割阈值。杜佩明，王培真等人则针对多阈值图像的自动分割发明了一种混合遗传算法，这种算法不仅能快速分割，而且分割前无需确定类别数，分割效果很不错。赵立初则在小波变换的基础上，发明了一种图像阈值自适应选择算法。利用这个算法，能够用小波变换的特征点来精确表征灰度直方图的特征点，阈值能够自主选择。王纯等人通过把最大熵理论和模糊理论进行整合，创造了模糊熵阈值法[4]。这种算法由于以模糊理论作为基础，能很好的保留图像细节。华长发在二维熵阈值理论基础上发明了一种快速分割算法，大大降低了传统算法的复杂度。其他的以熵概念为基础的还有最大熵Renyi法[5]，最大累计剩余熵法[6]，最下交叉熵法[7]以及最小Tsallis交叉熵法[8]等等。Sezgin在对大量阈值算法进行研究后表明由Kittler提出的最小误差法[9]性能十分优秀，抗造性很强，且不受图像大小的影响。另外，其他的阈值分割算法还有P-tile阈值法[10]，共生矩阵法[11]，双峰阈值法[12]，基于过渡区的阈值法[13]等。

而聚类算法作为近些年来最火热的算法研究对象，同样被广泛应用于各类应用之中。因其无监督的特性在许多应用中均发挥出了非常强大的作用。目前被提出的主要聚类算法有：

（1）K均值聚类方法[14][15][16]。

（2）层次聚类方法[17]。

（3）模糊聚类方法[18]。

（4）谱聚类方法[18]。

（5）密度聚类方法[19][20]。

在模糊聚类算法的基础上，通过引入了一种模糊因子，呈现出了一种新型算法叫做模糊C均值聚类算法，也叫FCM算法[21]。运用这种算法无需设定阈值和外部干涉，显得更加自动化，分割效果也更加理想。

但尽管如此，却依然没有哪一个算法能够做到对所有的情形普遍通用。每种算法都具有自己的优缺点。它们的作用范围往往都有比较强的局限性，因为它们都是针对某一个具体存在的问题而具体设计的。另外，如何精确评判一个算法以及如何选取一个算法的标准也没有进行官方的制定，这无疑给图象分割技术领域带来了诸多令人头疼的问题。但是，相信随着科学的进步和大量研究人员的共同努力，必将会出现更多更优秀的分割算法。