圖像分割有很多各種各樣的方法：1）基於數學統計的方法（灰度直方圖）2）基於紋理的方法3）基於閾值的方法4）基於深度學習的方法5）基於幾何數學的方法。當然這五種方法也可以交叉使用，總之，挑選適用的方法效率最高，分割效果也最好。
1）基於數學統計的方法
數學統計主要是分析數據的直方圖，根據直方圖中概率模型進行分割，如統計圖像某一個範圍內的值所佔比重，利用這種特定 的比重去分割圖像；或者使用聚類的方法將圖像聚類到不同類別；
2）基於紋理的方法
基於紋理的方法主要是根據地物紋理的不同特徵（粗糙度，相似性等）對圖像進行分割，主要用到灰度共生矩陣、分形理論、直方圖矩等方法。紋理分析的一個弊端是：不能有效區分紋理相似但屬性不同的地物（如山地雪和雲，其粗糙度和自相似性基本一致，但是可以分割其他地物）；
3）基於閾值的方法
閾值分割通常有兩種：經驗閾值和自適應閾值；在實際應用中，經驗閾值較爲常用，可以根據生產需求進行設定；自適應閾值在自動化過程中用的多，一般自適應算法都要選擇自適應閾值。
4）基於深度學習的方法
目前深度學習還處在一個尷尬的時期，去學習自然界的地物特徵需要大量經驗的總結，進度緩慢。
5）基於幾何數學的方法
幾何學是從自然界中抽象出來的一門學科，其運行符合一定的自然運行規律，在某些圖像分割中使用一些簡單的幾何圖形（如三角形，方形，圓形，直線，角度，面積，周長）（高維的有分形幾何）就可以將目標分割出來。
6）幾種方法的結合使用
在進行圖像分割時經常使用不同方法結合使用來達到分割效果良好的狀態，分割步驟的不同，使用順序也不同：數學統計的方法一般作爲預處理和中間參考來使用（因爲它是基於概率統計的，有一定 的參考性）；紋理的方法是作爲分割主要策略來進行的；閾值分割通常作爲最後的分割手段，幾乎在所有圖像分割中都要用到，是作爲結果輸出的部分。深度學習迭代需要大量的樣本進行訓練，因爲數據的供求和樣本製作的耗時耗力，個人不太好做，需要機會。