目的

影像分割旨在將影像中的像素根據某種準則（如灰階值、顏色、紋理、空間位置等）進行分組，形成具有相似特徵的區域。主要目標是將前景物件與背景分離。

分割方法分類

影像分割方法大致可分為以下類型：

手動分割 (Manual Segmentation)
- 人工描繪感興趣區域（ROI），或是人工描繪mask image。
- 適用場景：複雜、不規則或稀有結構；需要極高精確度的特殊案例。
- 優點：準確度高，適用於任何影像。
- 缺點：耗時、主觀性強、不適合大量影像處理。
- 應用：特殊病理切片分析、複雜組織結構辨識。
半自動分割 (Semi-automatic Segmentation)
- 提供少量互動（如指定種子點、初始輪廓），程式自動完成大部分分割過程。
- 優點：結合了人工的指導和程式的效率。
- 缺點：仍需要一定程度的人工介入。
- 應用：血管網路追蹤、神經纖維分析、互動式區域生長。
自動分割 (Automatic Segmentation)
- 程式根據預設算法或學習的模型完全自動進行分割。
- 優點：效率高，適合批量處理，客觀性強。
- 缺點：算法選擇和參數設定對結果影響大；可能無法處理所有複雜情況。
- 主要自動方法包含：
  - 傳統方法：基於閾值、邊緣、區域等特徵。
  - 機器學習：從標記數據中學習分割規則。

閾值分割是最基本且廣泛使用的自動分割方法。它根據像素的灰階值將影像分成前景和背景兩部分（二值化影像）。

原理： 選擇特定灰階值作為閾值，將影像中的像素分為兩類：灰階值高於閾值的歸為一類（通常是前景），低於閾值的歸為另一類（通常是背景）。
類型：
- 全局閾值 (Global Threshold)： 使用單一閾值應用於整張影像。適用於照明均勻且前景背景對比明顯的影像。
  - 整張影像使用同一個閾值。
  - Image > Adjust > Threshold...。
  - Image › Adjust › Auto Threshold。
- 局部閾值 / 自適應閾值 (Local / Adaptive Threshold)： 對影像不同區域使用不同的閾值。適用於照明不均勻或背景複雜的影像。
  - 影像被分成小區域，每個區域計算自己的閾值。
  - 適用於背景亮度不均勻。
  - Image › Adjust › Auto Local Threshold

這類方法根據像素之間的相似性將它們合併到同一個區域。

區域生長 (Region Growing)：
- 原理： 從一個或多個種子點開始，根據區域內的像素相似性建立分區（如灰階值在一定範圍內），直到沒有符合條件的相鄰像素為止。
- 例如使用工具列的wand tool，雙擊會有進階選項。取得的selection，再加入ROI manager。
- 例如使用 MorphoLibJ 的各種 segmentation plugins，執行分水嶺分割也是從種子點開始，模擬「水從低點往上淹」，直到碰到其他水源的邊界，這些邊界就成為區域的分界線（即分水嶺）。

從大量標記好的影像數據中學習特徵和模式，自動執行分割任務。