在计算机视觉与图像处理的领域，根据图像本身特点，至今已经有上千种方式算法被提出与应用。但是，图像分割的算法虽然繁多，却始终没有普适性的算法被提出。目前已经被研究出的算法大都局限于某些特定情形。图像分割的算法通常情况下依赖于其灰度值的不连续以及相似性[12]，把图像细分为构成它的子区域或者对象，当感兴趣的对象被分离出来的时候，分割就停止，大致可以分为三个层次：基于局部特征(Local-based)、基于全局特征(Global-based)、基于先验知识(Priority-based)。基于相似性的分割方法主要是依据图像的灰度等特性事先制定相应的准则，然后依据准则把图像分割成若干特征相同或相似的区域[13]，从而实现分割。
主要有以下几种方法，一、区域增长法[18]，指利用预先定好的生长准则将像素或者子区域合并，最终形成一个更大的区域过程，当不满足某个区域加入的准则时，增长就会停止。二、分裂合并法，指在图像分割一开始就将图像分割为任意的不相交的子区域，然后根据限制条件，将各子区域进行聚合或拆分以达到所需要的结果。三、阈值法实现的依据是感兴趣的目标与背景之间存在灰度特征上的差异，其分割图像的关键在于阈值的选取，分为基于全局的和基于局部的两种。其中，基于全局的阈值分割技术由于计算量小且相对容易实现更加优于基于局部的阈值分割算法。目前，最常用的与之算法有：Ostu阈值法、最小误差阈值法以及熵方法等等[15][16][17][18]。基于图像灰度不连续性质的分割方法主要是依据灰度的不连续变化对图像进行分割。典型的有边缘检测法[14]。点检测、线检测、边缘检测技术是进行灰度级间断的检测的主要技术存在。点和线的检测技术都十分重要，但是边缘检测是最为普遍有效的检测方法，常用的有微分算子法，拟合曲面法、边界跟踪法等。我们经常使用图像灰度的一阶或二阶导数来对图像的边缘进行描述与检测。其中，一阶导数对于噪声比较敏感，需要对图像进行高斯滤波[19]等平滑操作，常用的一阶微分算子主要有 Sobel 算子、Prewitt 算子和 Canny 算子[20][21]。二阶导数的正负可以确定边缘像素的亮暗，检测效果较之一阶导数更好,主要的算子有Laplacian 算子。基于边缘检测的图像分割方法[22]存在产生误追踪，导致不连续的边缘或是伪边缘，边缘丢失等问题。 基于多特征活动轮廓的红外图像显著轮廓检测技术(3):http://www.youerw.com/wuli/lunwen_28836.html