本文列出传统图像分割的主要方法，并针对目标图像进行可行性分析。
基于阈值的分割
基于图像灰度图的特征划分图像，其核心是找出最优灰度阈值。主要有固定阈值和自适应阈值两种阈值选择方法。
固定阈值
固定阈值法使用某一固定像素值作为分割点。
直方图双峰法
直方图双峰法是一种全局单阈值分割方法。如果图像有明显的目标和背景，则其灰度直方图会呈双峰分布，那么可选取双峰之间的波谷对应的灰度值作为阈值。
迭代法
迭代法是对双峰法的改进，基于逼近的思想。
- 设置初始阈值T0为图像最大灰度值和最小灰度值的平均。
- 根据阈值T将图像分割为前景和背景，分别求出二者的平均灰度值ZO和ZB
- 设置新阈值T为ZO和ZB的平均
- 若T不再变化或变化小于一个预定义的值时，则T即为最终阈值，否则跳转2计算。
因目标图片噪点较多，且不同区域的亮度不一，所以无法准确地分割前景和背景。另外目标图片的灰度直方图基本为单峰，所以不适用于固定阈值。
自适应阈值
根据图像的局部特征分别采用不同的阈值进行分割。将图像分为几个区域，分别选择阈值，或动态地根据一定邻域范围选择每点处的阈值，从而进行图像分割。
大津法
按照图像的灰度特性，将图像分为背景和目标两部分。背景和目标之间的类间方差越大，说明构成图像两部分的差别越大。因此，使类间方差最大的分割意味着错分概率最小。本方法对于非双峰图像的效果不明显。
均值/高斯
OpenCV给出了两种自适应方法，一种方法阈值取自相邻区域的平均值，另一种方法阈值取自相邻区域的加权和，权重为一个高斯窗口。针对目标图片，两种方法能够大体描绘出目标边缘，后一种方法能够排除更多的噪点。
基于区域的分割
区域生长
区域生长算法的基本思想是将有相似性质的像素点合并到一起。从某个或者某些像素点出发，最后得到整个区域，进而实现目标提取。这种方法的缺点是需要人为确定种子点，对噪声敏感，并且当目标较大时，分割速度较慢。此方法的效果略逊于自适应阈值法，参数对目标图像集的泛化程度不明。
区域分裂合并
区域分裂合并基本上是区域生长的逆过程：从整个图像出发，不断分裂得到各个子区域，然后再把前景区域合并，实现目标提取，无需预先指定种子点。暂未找到合适的实现代码。
分水岭算法
一种基于拓扑理论的数学形态学的分割方法。本算法可与下文提及的斑点检测方法结合。
基于边缘的分割
检测边缘处的特征点，从而分割图像。基础算法有Canny边缘检测、Harris角点检测、SIFT检测等。
圆形检测
运用霍夫变换检测图像中的圆形，需要人工规定检测到的圆形大小。**此方法在目标图像使用的效果较好，但因霍夫变换对圆形大小十分敏感，所以对其参数的泛化能力存疑。**另外有少量非目标区域被识别为圆形，应为目标图像的结构所致。
斑点检测
斑点通常是指与周围有着颜色和灰度差别的区域。目标图像比较符合圆形斑点的特征，检测条件较圆形检测严格。本方法实际效果略优于圆形检测。
OpenCV中的斑点检测算法SimpleBlobDetector即是基于局部极值的分水岭算法。
总结
当前可行的图像分割方法，效果由高至低：
- 斑点检测
- 圆形检测
- 自适应阈值法
- 区域生长