圖像分割
根據選定的特徵將圖像劃分成幾個有意義的部分，從而使原圖像在內容表達上更為簡單明了。圖像分割是按照圖像的某些特性（如灰度等級）將圖像分成若干區域，在每個區域內部有相同或者相近的特徵，而相鄰區域的特徵不相同。一般假設在同一區域內特徵的變化平緩，而在區域的邊界上特性的變化劇烈。目前，已經提出了很多種圖像分割的方法。它們各自基於不同的圖像模型，利用不同的特性，有各自一定的適用範圍和優缺點，沒有一種普遍適用的最優方法。圖像分割的方法大致可以分為基於邊緣檢測的方法和基於區域生成的方法兩大類：
1、邊緣檢測
圖像邊緣對圖像識別和計算機分析十分有用。邊緣能勾畫出目標物體，使觀察者一目了然；邊緣蘊含了豐富的內在信息（如方向、階躍性質、形狀等），是圖像識別中重要的圖像特徵之一。從本質上說，圖像邊緣是圖像局部特性不連續性（灰度突變、顏色突變、紋理結構突變等）的反映，它標誌著一個區域的終結和另一個區域的開始。
邊緣提取首先檢測出圖像局部特性的不連續性，然後再將這些不連續的邊緣象素連成完備的邊界。邊緣的特性是沿邊緣走向的象素變化平緩，而垂直於邊緣方向的象素變化劇烈。所以，從這個意義上說，提取邊緣的算法就是檢測出符合邊緣特性的邊緣象素的數學運算元。目前，提取邊緣常採用邊緣運算元法、曲面擬合法、模板匹配法等。
2、區域生長法
對於圖像分割而言，可以通過閾值法將圖像由大到小地進行區域生長。區域生長法可以分為簡單連線、混合連線、中心化連線等。所謂簡單連線區域生長法是把每個象素看成是連續圖中的一個節點，然後把單個象素和空間相鄰象素的特性（如灰度）進行比較，把特性相似的象素所對應的節點之間用弧將它們連線，從而進行區域的生長。這個方法簡單，但效果不是很好。混合連線區域生長法的總過程與上述過程類似，但是對每個節點，它用該節點對應的象素周圍k×k鄰點的灰度值來表示其特性，這就增加了抗干擾性。由於是兩個區域比較特性，需要用到統計學中的假設檢驗方法。
圖像特徵提取
要使計算機具有識別的本領，首先要得到圖像的各種特徵，稱之為圖像特徵提取。圖像特徵是指圖像的原始特徵或屬性。其中有些是視覺直接感受到的自然特徵，如區域的亮度、邊緣的輪廓、紋理或色彩等，有些是需要通過變換或測量才能得到的人為特徵，如變換頻譜、直方圖等。
圖像特徵提取工作的結果給出了某一具體的圖像中與其他圖像區別的特徵。如描述物體表面灰度變化的紋理特徵，描述物體外形的形狀特徵等。這些特徵提取的結果需要一定的表達方式，要讓計算機能懂得，這就是目的。
紋理特徵提取
紋理在圖像處理中起著重要的作用，它被廣泛套用於氣象雲圖分析、衛星遙感圖像分析、生物組織和細胞的顯微鏡照片分析等領域。此外，在一般的以自然風景為對象的圖像分析中，紋理也具有重要的作用。通過觀察不同物體的圖像，可以抽取出構成紋理特徵的兩個要素：一個為紋理基元：它是一種或多種圖像基元的組合。紋理基元有一定的形狀和大小，如花布的花紋。另一個為紋理基元的排列組合：基元排列的疏密、周期性、方向性等的不同，生長條件及環境的不同，植物散布形式亦有不同。反映在圖像上就是紋理的粗細（植物生長的稀疏）、走向（如靠陽、水的地段應有生長茂盛的植被）等特徵的描述和解釋。
紋理特徵提取指的是通過一定的圖像處理技術抽取出紋理特徵，從而獲得紋理的定量或定性描述的處理過程。因此，紋理特徵提取應包括兩方面的內容，即檢測出紋理基元和獲得有關紋理基元排列分布方式的信息。
紋理分析方法，大致分為統計方法和結構方法。統計方法適用於分析如木紋、森林、山脈、草地那樣的紋理細緻，而且不規則的物體；結構方法則適用於如布料的印刷圖案或磚花樣等一類紋理基元排列較規則的圖像。常用的統計方法有直方圖統計特徵、灰度分布統計特徵和傅立葉特徵等。
形狀特徵提取
人們的視覺系統對於景物認識的初級階段則是其形狀。圖像經過邊緣提取和圖像分割等操作，就會得到景物的邊緣和區域，也就獲得了景物的形狀。任何一個景物形狀特徵均可由其幾何屬性（如長度、面積、距離和凹凸等），統計屬性（如投影）和拓撲屬性（如連通、歐拉數）來進行描述。
對目標進行形狀分析既可以基於區域本身亦可基於區域的邊界。對於區域內部或邊界來說，由於我們只關心它們的形狀特徵，其灰度信息往往可以忽略，只要能將它與其他目標或背景分開即可。最常用的一種技術是二值化圖像，即將感興趣的部分（區域和邊界）標以最大灰度級，把背景（也包括其他任何不感興趣的部分）標以最小灰度級，通常為零。二值化圖像在形狀和結構分析中占有很重要的地位。
