根据选定的特徵将图像划分成几个有意义的部分，从而使原图像在内容表达上更为简单明了。图像分割是按照图像的某些特性（如灰度等级）将图像分成若干区域，在每个区域内部有相同或者相近的特徵，而相邻区域的特徵不相同。一般假设在同一区域内特徵的变化平缓，而在区域的边界上特性的变化剧烈。目前，已经提出了很多种图像分割的方法。它们各自基于不同的图像模型，利用不同的特性，有各自一定的适用範围和优缺点，没有一种普遍适用的最优方法。图像分割的方法大致可以分为基于边缘检测的方法和基于区域生成的方法两大类：

1、边缘检测

图像边缘对图像识别和计算机分析十分有用。边缘能勾画出目标物体，使观察者一目了然；边缘蕴含了丰富的内在信息（如方向、阶跃性质、形状等），是图像识别中重要的图像特徵之一。从本质上说，图像边缘是图像局部特性不连续性（灰度突变、颜色突变、纹理结构突变等）的反映，它标誌着一个区域的终结和另一个区域的开始。

边缘提取首先检测出图像局部特性的不连续性，然后再将这些不连续的边缘象素连成完备的边界。边缘的特性是沿边缘走向的象素变化平缓，而垂直于边缘方向的象素变化剧烈。所以，从这个意义上说，提取边缘的算法就是检测出符合边缘特性的边缘象素的数学运算元。目前，提取边缘常採用边缘运算元法、曲面拟合法、模板匹配法等。

2、区域生长法

对于图像分割而言，可以通过阈值法将图像由大到小地进行区域生长。区域生长法可以分为简单连线、混合连线、中心化连线等。所谓简单连线区域生长法是把每个象素看成是连续图中的一个节点，然后把单个象素和空间相邻象素的特性（如灰度）进行比较，把特性相似的象素所对应的节点之间用弧将它们连线，从而进行区域的生长。这个方法简单，但效果不是很好。混合连线区域生长法的总过程与上述过程类似，但是对每个节点，它用该节点对应的象素周围k×k邻点的灰度值来表示其特性，这就增加了抗干扰性。由于是两个区域比较特性，需要用到统计学中的假设检验方法。

要使计算机具有识别的本领，首先要得到图像的各种特徵，称之为图像特徵提取。图像特徵是指图像的原始特徵或属性。其中有些是视觉直接感受到的自然特徵，如区域的亮度、边缘的轮廓、纹理或色彩等，有些是需要通过变换或测量才能得到的人为特徵，如变换频谱、直方图等。

图像特徵提取工作的结果给出了某一具体的图像中与其他图像区别的特徵。如描述物体表面灰度变化的纹理特徵，描述物体外形的形状特徵等。这些特徵提取的结果需要一定的表达方式，要让计算机能懂得，这就是目的。

纹理在图像处理中起着重要的作用，它被广泛套用于气象云图分析、卫星遥感图像分析、生物组织和细胞的显微镜照片分析等领域。此外，在一般的以自然风景为对象的图像分析中，纹理也具有重要的作用。通过观察不同物体的图像，可以抽取出构成纹理特徵的两个要素：一个为纹理基元：它是一种或多种图像基元的组合。纹理基元有一定的形状和大小，如花布的花纹。另一个为纹理基元的排列组合：基元排列的疏密、周期性、方向性等的不同，生长条件及环境的不同，植物散布形式亦有不同。反映在图像上就是纹理的粗细（植物生长的稀疏）、走向（如靠阳、水的地段应有生长茂盛的植被）等特徵的描述和解释。

纹理特徵提取指的是通过一定的图像处理技术抽取出纹理特徵，从而获得纹理的定量或定性描述的处理过程。因此，纹理特徵提取应包括两方面的内容，即检测出纹理基元和获得有关纹理基元排列分布方式的信息。

纹理分析方法，大致分为统计方法和结构方法。统计方法适用于分析如木纹、森林、山脉、草地那样的纹理细緻，而且不规则的物体；结构方法则适用于如布料的印刷图案或砖花样等一类纹理基元排列较规则的图像。常用的统计方法有直方图统计特徵、灰度分布统计特徵和傅立叶特徵等。

人们的视觉系统对于景物认识的初级阶段则是其形状。图像经过边缘提取和图像分割等操作，就会得到景物的边缘和区域，也就获得了景物的形状。任何一个景物形状特徵均可由其几何属性（如长度、面积、距离和凹凸等），统计属性（如投影）和拓扑属性（如连通、欧拉数）来进行描述。

对目标进行形状分析既可以基于区域本身亦可基于区域的边界。对于区域内部或边界来说，由于我们只关心它们的形状特徵，其灰度信息往往可以忽略，只要能将它与其他目标或背景分开即可。最常用的一种技术是二值化图像，即将感兴趣的部分（区域和边界）标以最大灰度级，把背景（也包括其他任何不感兴趣的部分）标以最小灰度级，通常为零。二值化图像在形状和结构分析中占有很重要的地位。