1. thresholding:满足双峰特征时，选取中间的峰谷
2. region splitting and merging: 图像中特征不一致则分为四个子区域，子区域特征相似则合并，直至不符合分裂合并特征，然后再进行进一步的合并（也可以分为8个子区域）
3. connected components algorithm: 从左上到右下逐个pixel进行检查，若中心值与邻居不一样就进行一个新的编号
然后重新检索一下，如果周围相邻点的值更小，则修改为该更小值
4. Heuristics-based region merging：基于经验
5. Graph-based region merging：用MST表示region
MST：一个有 n 个结点的连通图的生成树是原图的极小连通子图，且包含原图中的所有 n 个结点，并且有保持图连通的最少的边
取像素中最大的值，然后考虑这个像素和周边像素的情况，中心像素与连接像素最小时可以进行合并
6. Merging by region growing: 从seed pixel开始，如果周围的像素相似则合并在一起
7. watershed segmentation: 将每个pixel想象成水滴，所有水滴分为三种一种是水滴不断下落进入的盆地区域，一种是一定会落入相应盆地的水滴，一种是等可能性的落入不同盆地的点，第三种即为所找边界
当然如果算出所有盆地的话会over fitting，所以我们要先smooth
8. MSER：图像不需要进行smoothing处理
9. K-means需要准确的K，且对noise更敏感，且可能陷入局部最优解
Mean shifting就会好一些，基本思路是规定中心点以及window，测量中心点到window内所有点的距离，求mean，然后window移到mean，移动距离小的会被归为一类，且如果新中心点已经为另一个类且与原中心点距离不大，merging在一起
10. superpixel segmentaion可以对图像进行降维，将相似的pixel合并成superpixel
SLIC是一种特殊的superpixel segmentation，初始化cluster中心以及步长是，在window中移动中心，测量中心点到所有距离它在步长范围内的点，距离最小的加入中心点；重新计算中心点，直到错误值足够小（优点是考虑了像素位置）
11. conditional random field：每个super pixel作为node，两两node相连为edge，edge表示两node的相似性
最小的cut即类比9024里面的flow
12. active contour segmentation就是让curve尽可能贴近image的boundary，此时能量达到最小，如snake algorithm
通过实别2D contour知道移动界面演化过程
13. evaluation跟9417一样
14. translation平移
15. dilation膨胀，erosion减小，一个用S移动，然后把邻居加上，一个减去
16. binary opening即先erosion再dilation，可以smoothing
相反的叫做closing，可以消除孔洞
17. 可以利用mark，不断进行dilation或者erosion，以达到去掉不完整点，补充面包圈等