1. 基于阈值的方法

• 全局阈值（如 Otsu 大津法）：通过直方图分析，自动寻找一个最佳阈值，把前景与背景分开。

• 局部/自适应阈值：图像光照不均时，把图像分块分别确定阈值，更鲁棒。

优点：简单快速，适合前景背景对比明显的图像。
缺点：对噪声和光照敏感，复杂场景下效果差。

---

2. 基于边缘的方法

• Canny、Sobel、Laplacian 边缘检测：找到强度变化大的边界作为分割依据。

• 梯度 + 后处理（如 Hough 变换、边缘跟踪）。

优点：能准确捕捉边界信息。
缺点：容易断裂，需要结合区域方法才能得到封闭的分割区域。

---

3. 基于区域的方法

• 区域生长：从种子点出发，将相似的邻域像素合并。

• 区域分裂与合并：根据相似性指标分裂或合并区域。

• 连通域分析：在二值图像中提取连通的区域。

优点：区域连续性好，适合提取大块目标。
缺点：依赖初始条件，计算量可能大。

---

4. 基于图论的方法

• Graph Cut：最小割模型，将图像看作图，优化能量函数分割目标。

• Normalized Cut：考虑区域间相似性，得到更平衡的分割结果。

优点：全局最优，鲁棒性强。
缺点：计算量大，不适合实时。

---

5. 基于聚类的方法

• K-means 聚类：像素特征（灰度/颜色/纹理）聚类，分成若干区域。

• Mean-Shift：非参数聚类，找到模式分布峰值作为分割区域。

优点：不需要先验标签，能自动分类。
缺点：对聚类数/带宽敏感，速度较慢。

---

6. 基于频域/变换的方法

• 小波分解：多尺度特征提取。

• 傅里叶域分析：适合周期性纹理分割。

---

7. 基于深度学习的方法（主流）

• FCN (Fully Convolutional Network)：全卷积分割，逐像素预测。

• U-Net：医学图像常用，编码器-解码器结构。

• Mask R-CNN：实例分割，能区分同类目标的不同实例。

• DeepLab (v3+, v4)：空洞卷积，多尺度上下文信息。

• Transformer 分割 (SegFormer, Segment Anything Model)：大模型在分割上的应用。

优点：精度高，鲁棒性强，能处理复杂背景。
缺点：需要大量标注数据和计算资源。