我不知道许多分割技术，但我一直在处理提供分割片段“选择”的结构，这些片段可以进一步检查以产生令人满意的分割。

希望其他人可以写一些我不太了解的不同的最先进的分割方法。

关于为什么对不同图像进行分割的选择或级别很好的一个简短介绍：分割是一个定义不明确的问题。基本事实不存在：所需的结果始终取决于用户的要求和规格。一个不错的报价：

即使对于固定图像，也可能存在不止一个“最佳”分割，因为定义分割质量的标准取决于应用程序。这促使我们将研究重点放在提供“拼图”的图像分割技术上，这些技术可用于（...）生成满足特定用户要求的分割

（P. Soille：分层图像分区和简化的约束连接（2008 年））

存在分层结构、分层图像分解，它们提出了具有不同复杂性的图像分区。这些结构最简单地表示为树结构，其中每个节点代表图像中的一个区域。结构的想法：

• 结构的叶子是精细分割的区域，或图像的过度分割（例如像素，平坦区域 - 相同强度的连接区域，分水岭）
• 树中的链接表示（相邻）区域的合并或联合并形成更复杂的区域，并且以最有可能产生与对象相对应的区域的方式构造（希望:)）
• 区域的复杂性沿着从节点到树根的每个分支增加
• 树的每一层（也就是每个切割）都是图像的分区/分割（越靠近根越粗）
• 树的根覆盖整个图像域

分割包括检查区域及其提议的联合，以确定树中的区域或与所需精度或有关感兴趣对象的某些已知属性或其他预定义用户规范相对应的树的切割。

具有这些属性的树（即分层图像分解）是：

• $\alpha$-树
• $(\omega)$-树
• 二元分区树（针对分割和对象检测）

除了已经提供的论文链接外，还有一些关于这些分割技术的更具体和不太具体的当前论文：

• Cousty, J., Najman, L.：分层最小跨度森林和流域削减显着性的增量算法 (2011)
• Soille, P., Grazzini, J.：受限连接和过渡区域 (2009)

（更实用）：

• Serna, A., Marcotegui, B.：属性控制重建和自适应数学形态学 (2013)
• Merciol, F., Lefèvre, S.：基于 alpha-tree 多尺度表示的快速图像和视频分割 (2012)

作为Penelope答案的附录，两个流行的算法家族（和时尚）。

超像素

一个非常流行的算法家族叫做Superpixels现在非常流行（CV 会议中甚至有一些 Superpixel 会议）。超像素很像过度分割（就像分水岭给你的那样），所以需要一些后期处理。

超像素可以看作是小的同质图像区域。像素之间的距离在双边滤波中进行评估，即它们的空间距离和它们的视觉相似度之间的混合，当它们接近且相似时变为0，否则变为更大的值。
然后，超像素方法尝试各种标准来形成关于这个度量的小的同质区域。其中有很多（基于图形的、基于模式搜索/聚类的......），所以我想最好将您推荐给这​​份技术报告。

（编辑：）如果有人正在寻找已发表的经过同行评审的作品，这篇文章由同一作者撰写，涵盖与技术报告相同的材料： R. Achanta、A. Shaji、K. Smith、A. Lucchi、 P. Fua, S. Susstrunk：SLIC 超像素与最先进的超像素方法的比较

请注意，当我编写答案的第一个版本时，视觉上的结果与分水岭过度分割为您提供的结果非常相似。技术报告的作者证实了这一点，他们在相关工作部分中包括了分水岭。因此，您还需要进行相同的后处理：虽然超像素可以代替像素来使用方便的功能，但如果您需要跟踪/检测对象，仍需要对它们进行分组以形成更高级别的区域。

基于图的分割方法

另一个流行的算法家族来自对像素关系的分析，即像素在外观上的接近程度。这产生了基于图论的一系列分割方法，例如归一化切割 (J. Shi, J. Malik: Normalized Cuts and Image Segmentation )。

这是这种方法的直觉：假设您的像素现在是高维图的点（顶点）。
在图中，两个顶点可以通过一条边连接起来，边的权重与顶点之间的距离成反比。通常，权重函数将是它们的空间距离和它们的视觉相似性之间的某种混合的倒数（8如双边滤波）。
然后，给定这个图，分割算法可以寻找最好的顶点簇，即具有小的组内距离和大的组外距离的顶点组。

在归一化切割方法中，需要额外注意以避免由集群的不同种群大小引入的任何偏差。此外，可以通过计算权重矩阵的 SVD 来避免图探索，在图论中也称为连接矩阵。

我想对于最先进的分割算法的全球概述，需要寻找最新的调查。Szeliski 的书中介绍了具有挑战的良好全球概览。