机器人视觉技术是人工智能领域的重要分支，涵盖图像处理、模式识别、机器学习等多个学科。其中，图像分割作为机器人视觉中的核心环节，旨在将图像中的目标物体与背景分离，为后续分析与处理奠定基础。本文系统梳理了图像分割的主要方法，包括传统图像处理技术与基于深度学习的方法，帮助读者全面掌握各项技术要点。

一、阈值分割法

阈值分割法是一种基于像素灰度值的图像分割方式，通过设定一个或多个阈值，将图像中的像素划分到不同类别。该方法主要分为全局阈值分割与局部阈值分割两种类型。

1.1 全局阈值分割

全局阈值分割是最基础的分割策略：将整幅图像的像素值同一固定阈值进行比较，大于阈值的归为一类，小于阈值的归为另一类。其关键在于如何选取合适的阈值。常用方法包括：

• 最大类间方差法（Otsu方法）：自动计算使类间方差达到最大的阈值。
• 迭代法：通过反复迭代逼近最佳阈值。

1.2 局部阈值分割

局部阈值分割针对图像不同区域设定不同的阈值，利用局部特征（如局部均值、局部方差）来确定每个像素的阈值。典型代表是自适应阈值分割法（Adaptive Thresholding），特别适合光照不均匀的图像场景。