一种图像分割方法以及图像分割装置(800,900,1000)，该图像分割方法应用于具有显示屏的终端设备，包括：检测到用户在第一图像中手动标记锚点的第一操作，其中，该锚点包括起始锚点与目标锚点(210)；检测到该用户指示自动分割该第一图像的第二操作(220)；响应于该第二操作，在该显示屏上显示第二图像，其中，该第二图像是该第一图像经过该第二操作后得到的图像，该第二图像包括该起始锚点与该目标锚点之间的分割线，该分割线是通过分界点在该第一图像中以该起始锚点为起始位置并且以该目标锚点为目标位置移动得到的(230)。上述技术方案能够在节省人力的情况下，得到与图像的自然边界相吻合的分割结果，从而提高图像分割结果的准确性。

一种图像分割方法。该方法可以包括获取图像及相关信息，该图像包括肿瘤区域；确定该图像中感兴趣区域，该感兴趣区域包括该肿瘤区域；和对该感兴趣区域进行第一分割，获得第一分割结果。该第一分割包括：判断该肿瘤的肿瘤形态；对该感兴趣区域进行第二分割，获得第二分割结果；根据该肿瘤形态对该第二分割结果进行优化获得该第一分割结果。

本发明涉及一种医学图像分割方法，属于图像处理领域。本发明的方法基于和声搜索算法，经图像预处理、提取图像特征、图像预分割、全局最优和声搜索、图像部分区域内最优和声搜索等步骤实现。理论和实践证明，本发明妥善解决了聚类算法中单目标函数、单阈值、未考虑组成部分聚类效果的问题。采用本发明的方法后，不仅可以高效完成医学图像的分割，而且不丢失重要图像特征，因此可以获得高质量的医学分割图像，满足医护人员的诊断阅读需求。

一种人形图像分割方法，方法包括：对训练人形图像的所有第一像素点，提取多尺度上下文信息；将所有第一像素点的所有尺度的图像块送入同一个卷积神经网络，形成多通道的卷积神经网络群，每一个通道对应一个尺度的图像块；采用反向传播算法来训练神经网络群，得到人形图像分割训练模型数据；对测试人形图像的所有第二像素点，提取多尺度上下文信息；每一个第二像素点的不同尺度的图像块送入与人形图像分割训练模型相对应的神经网络通道，如果第一概率大于第二概率，则第二像素点属于人形区域内，反之则第二像素点属于人形区域外。所述人形图像分割方法，图像分割速度快，精确度高。

一种图像分割方法及装置，涉及图像处理技术领域。该图像分割方法，包括：通过自组织神经网络作为从网络对待分割图像进行处理，获取对应于所述待分割图像的主网络的初始化状态矢量(41)；所述主网络从所述初始状态矢量出发，按使其能量函数局部极小化的原则进行网络状态矢量的动态演变直到收敛为止，收敛后的主网络状态矢量则对应于所述待分割图像的最终图像分割结果(42)。

一种肺部图像分割的方法及系统。所述方法可以包括获取包括肺部的一个或多个目标图像（601）；在包括肺部的目标图像中分割出肺部区域（603）；识别出肺部图像相关的气管结构（605）；识别出肺部图像相关的肺裂（607）；以及基于肺裂对肺叶进行分割（609）。

本公开揭示了一种图像分割方法及装置，属于图像处理领域。所述图像分割方法包括：建立图像的显著性模型；根据显著性模型获取图像中的前景样本点和背景样本点；根据显著性模型以及前景样本点和背景样本点，建立前背景分类模型；根据预定图割算法对图像进行分割，预定图割算法利用前背景分类模型以及像素点之间的边缘信息对图像进行分割。通过自动确定前背景样本点，并结合显著性模型以建立前背景分类模型，利用该前背景分类模型实现图像分割；解决了相关技术中必须需要用户手动粗略地选定前景样本点和背景样本点，在对大量图像进行分割时，分割效率比较低的问题；达到了可以实现自动化选取样本，提高了分类精确度的效果。