随着生物医学的兴起，国内外发展出一大批先进的图像分割算法。最基本的有图像去除噪声处理，数字形态学，以及阈值分割，区域生长，边缘检测等。其中著名的有主动轮廓模型算法、遗传算法和基于多种理论的分割算法。83864

分割过程的主要目标是将一个图像分割成同质相对于一个或多个特性或特征的区域。分割是医疗用图像处理的一个重要工具，它一直有用在许多应用包括病理量化，手术模拟，手术计划，多发性硬化症，功能映射，计算机辅助诊断，图像配准和匹配等。大量的分割技术已经被广泛热议，然而，没有一个被优化来处理特定成像模形，诸如磁共振（MR）成像和X射线计算机断层扫描（CT），或者建模用以片段特定分割片段解剖结构如脑，肺，和血管系统。

图像分割的目标是通过划分成的图像区域，以简化图片成为有意义的信息的表示。图像分割是图像内定位特定对象或边界的技术。有许多算法和技术已经被开发来解决图像分割的问题，但是，没有一个方法是一般的解决方案。其中最好的分割方法是神经网络分割，一维信号分割，多尺度分割，基于模型的分割，图形分区，区域生长和K均值聚类分割方法。论文网

最近的研究已经证明，从MRI和CT的解剖结构的分割将从三个不同类型的知识利用得到好处：强度模型描述单个结构的灰度外观，形状模型描述不同的结构，在成像过程的特定的形状模型在成像过程中对模型的捕获。

最近在医学图像的分割中最常用的方法是一种基于优化数学水平集。图像平面的分割是通过不断发展的区域的轮廓C来自初始化轮廓的被分段局部最小化的适当能量的功能的E（C）的计算。在一般情况下，这种方法可以使用一个显式（参数）或轮廓的隐式表示。活动轮廓（也称为蛇）图像分割方案在医疗手术很受追捧。双蛇模型的基本思想是通过使用两个轮廓局部最小值：其中一个从目标外收缩和一个从内部膨胀。这种提案使得有可能通过在两者之间的比较，以减少初始化灵敏度。这种提案使得有可能通过在两个轮廓能量和位置之间的比较，以减少初始化灵敏度。

为了解决图像分割阈值问题，使用基于学习的多阈值自动分割提出了一种优化算法的新方法：基于一组具有恒定的形状和大小可变不相交的区域的pixon概念在1993年被引入，用来减小图像分割的计算时间，以提高电子FFI效率一些创新的方法。然而，那些要求约束响应时间的图像分割的应用中，所需的特定网络需要连接硬件实现。

国内，张瑞华提出了基于等周图割的链码分割方法，将链码应用于粘连细胞的弧度检测，参考圆周率选择阈值，对细胞进行迭代处理，取得了十分有效的分割效果；范铭等提出了自适应阈值结合分水岭算法分割图像的方法，解决了细胞粘连程度不均匀的问题，以及陆建峰等应用基于数学形态学的方法对重叠细胞进行分离；詹天明，张建伟等提出了快速双cv水平集图像分割方法；周立俭等对基于多小波的对浮游植物细胞图像进行了边缘检测。国外，有UmeshAdiga提出基于分水岭变换和区域融合的三维组织图像的分割算法；Wabhlby提出基于区域分割的分水岭分割显微细胞图像的算法[3]。其中，耶鲁大学是图像分割的领先者，并开发了一款用于人工图像分割的名为OUFTI的软件，但是由于生物体本身的差异性，复杂性依旧没有一个适用于所有图像的分割算法。