一、早期的图像分割方法：阈值法、基于边缘信息的分割方法
图像分割：把图像分成互不重叠的区域并提取出感兴趣目标的技术和过程。
图像分割的基本依据：区域内的一致性、区域间的不一致性
阈值法：
局部阈值法：将图像分块，分别用全局阈值方法分割，最后再综合。
基于边缘的分割方法：
先检测边缘再根据边缘将图像分割成不同的区域
霍夫变换（Hough transform）：
是图像中检测直线的一种方法，也可以检测其他参数化的物体，比如圆或者椭圆等。
二、基于特定理论的方法：Mean Shift、Nomalized Cut、Graph Cut
1.K-Means：
GMM 高斯混合模型：是多个高斯分布函数的线性组合，理论上可以拟合出任意类型的分布
假设：数据点满足不同参数下的高斯分布用两个参数来描述聚类的形状：均值、标准差标准差的存在允许聚类的形状可以是任何种类的椭圆形（不再局限于圆形）如果数据点符合某个高斯分布，它就会被归类为那个聚类权重的引入为同一点属于多个聚类找到了解决方案与K-Means相比，GMM每一步迭代的计算量很大基于EM算法，有可能陷入局部极值，需要经过多次迭代
2.EM 期望最大化：为了找到每个聚类的高斯参数
3.Mean-Shift 均值移动：
核心思想：找到概率密度梯度为零的采样点，并以此作为特征空间聚类的模式点。算法流程：(0) 确定窗口大小h(1) 计算m(x)(2) 如果m(x)小于一个给定的阈值，结束循环；否则，计算新的x，继续执行(1)
Mean-Shift优缺点：
4.Graph Cut 图割：图像用图来表示
5.Normalized Cut：分类、图像分割
6. 用Graph Cut求解能量极小化问题：多标记分类
三、基于深度神经网络的图像分割：FCN（全卷积）、SegNet、DeepLab
往年试题：
混合高斯模型GMM
图像分割：Mean-Shift、Normalized cut
