用电脑进行数字图像处理的目的有两个，一是产生更适合人类视觉观察和识别的图像，二是希望电脑能够自动进行识别和理解图像。无论是为了何种目的，图像处理的关键一步是对包含有大量各式各样景物信息的图像进行分解。分解的最终结果就是图像被分成一些具备各种特征的最小成分，这些成分就称为图像的基元。产生这些基元的过程就是图像分割的过程。图像分割作为图像处理领域中极为重要的内容之一，是实现图像分析和理解的基础。从概念上来说，所谓图像分割就是按照一定的原则将一幅图像或景物分为若干个部分或子集的过程。现在图像处理系统中我们只能得到二维图像信息，因此只能进行图像分割而不是景物分割（景物是三维信息）；图像分割也能够理解为将图像中有意义的特征区域或需要应用的特征区域提取出来，这些特征区域能够是像素的灰度值、物体轮廓曲线、纹理特性等，也能够是空间频谱或直方图特征等。在图像中用来表示某一物体的区域，其特征都是相近或相同的，但是不同物体的区域之间，特征就会急剧变化。现在已提出的图像分割方法很多，从分割依据的角度来看，图像的分割方法能够分为相似性分割和非连续性分割。相似性分割就是将具备同一灰度级或相同组织结构的像素聚集在一起，形成图像的不同区域；非连续性分割就是首先检测局部不连续性，然后将他们连接在一起形成边界，这些边界将图像分成不同的区域。由于不同种类的图像，不同的应用场合，需要提取的图像特征是不同的，当然对应的图像特征提取方法也就不同，因此并不存在一种普遍适应的最优方法。
图像分割方法又可分为结构分割方法和非结构分割方法两大类。结构分割方法是根据图像的局部区域象素的特征来实现图像分割，如阈值分割、区域生长、边缘检测、纹理分析等，这些方法假定事先知道这些区域的特性，或在处理过程中能够求得这些特性，从而能够寻找各种形态或研究各像素群。非结构分割法包括统计模式识别、神经网络方法或其他利用景物的先验知识实现的方法等等。这些内容由于专业性很强，就不在本文讨论内容中了，有兴趣的读者能够参考图像处理的专业书籍。总之，图像分割能够分为图像的边缘提取和图像的二值化二部分内容，下面我们首先来讨论一下各种常用的图像边缘提取的方法。
