基於區域的分割
從區域的邊界構造區域以及檢測存在的區域的邊界是容易做到的。然而， 由基於邊緣的方法產生的分割 和由區域增長方法得到分割， 通常並不總是相同的，將其結果結合起來很可能對它們二者都有提升。區域增長技術在有噪聲的圖像中 」般會更好些，其中的邊界非常難以檢測。
一致性是區域的一個重要性質，在區域增氏中用作主要的分割準則，它的基本思想是將圖像劃分爲最大一致性的分區。一致性準則可以是基於灰度、彩色、 紋理、形狀、模型（使用語義信息）等的標準。
最簡單一致性準則使用區域的平均灰度、 區域的彩色性質、簡單的紋理性質，或多光譜圖像平均灰度值的m維向量。
1. 區域歸併
最自然的區域增長方法是在原始圖像數據上開始增長，每個像素表示一個區域。
該算法表示f區域歸月二分割的一般方法。特殊的算法區別於初始分割的定義和歸併標準。
2. 區域分裂
區域分裂與區域歸併相反一一它從將整個圖像表示爲單個區域開始。
3. 分裂與歸併
分裂和歸併的結合可以產生兼有而這有點的一種新方法。
4. 分水嶺分割
分水嶺（watershed） 和集水盆地（ catchment basins） 的概念在地形學中是人所共知的。分水嶺線分開了每個集水盆地。
分水嶺變換可以在數學形態學的背景下進行描述。但不幸的是，在沒有特殊硬件的情況下，基於數學形態學的分水嶺變換計算量很火且十分耗時。
5. 區域增長後處理
使用區域增長方法分割後的圖像，時常由於參數設置的非最優性造成的結果，不是含有太多的區域（欠增長）就是含有過少的區域（過增長）。
匹配
匹配是分割的一種基本方法，可以給出圖像中已知物體的位置，也可以搜索特殊的模式等。匹配存在的問題遍及人工智能領域，特別是計算機視覺。
- 最簡單的情況，在合理對齊的文本掃描圖中用搜索用己知二值模式表示的特定字體的字符這就是模版匹配， 應用於OCR。
- 更一般的情況，字體無關的OCR 要求識別未知字體和大小的字符，這些字符還有可能有扭曲一一這要求匹配字符的模式。
- 仍然是更一般的情況，人臉識別要求在三維場景中的一幅圖像中匹配人臉模式：姿態、配準、尺度、鬍鬚、眼睛，顏色信息都將全部未知。
- 最爲抽象的情況，可能需要在一個視頻序列中匹配一個行人， 而且我們需要找到個體的行爲來匹配某種己知的模型一一行人是否穿過馬路？排隊等待？行爲可疑？
1. 模板匹配
在一幅圖像中定位一個己知物體的最簡單方法就是搜索它的像素級的完美拷貝。
2. 模板匹配的控制策略
由於已知物體很少情況下會在一幅圖像中以“像素級完美”的出現，因此它的組件——可能會非常小——常常會發揮作用。
基於模版的分割即使是在沒有幾何變換的場合也是費時的，但是通常可以加快該處理。
分割的評測問題
分割評測引發了兩個問題：
- 我們如何確定什麼是“正確”的分割？如何用來比較分割結果和真實結果？
- 用什麼來衡量？如何衡量？
1. 監督式評測
監督式評測假設“正確”的結果己知——通常情況下這意味若對真值的定義，比如可以通過合適的交互界面畫出正確的圖像邊界。
相互重疊區域
也稱爲Dice評測，該方法是以計算真值（ground truth）和分別區域的重疊部分爲基礎。
邊界定位錯誤
2. 非監督式評測
獲得真值的困難在T真不精確的定義，信息缺乏和時間消耗， 這些原因使得非監督式的評測方法非常吸引人： 這些通過對圖像及分割的特性進行統計獲得的定量性質不需要知道真值。