۳-روش های ترکیبی^۲
۲-۲-۱-روش های ساختاری
در این روش, با بهره گرفتن از اطلاعات ساختاری نواحی تصویر,به طور مثال مرزها در تصاویر دو بعدی و سطوح تقاطع در تصاویر سه بعدی, عمل قطعه بندی انجام می شود. روش های ساختاری را می توان به گروه های زیر دسته بندی کرد:
۱-روش های تشخیص لبه^۳
۲-روش های ریخت شناسی^۴
۳-روش های جستجو کننده گراف^۵
۴-مدل های قابل تغییر شکل^۶
۵-سطوح همسان و مجموعه های تراز^۷
۲-۲-۱-۱-روش های تشخیص لبه
در این روش هدف یافتن مرزها و یا سطوح مربوط به محل برخورد دو ناحیه در تصویر و دسته بندی این نواحی همگن می باشد. در مورد تصاویر سه بعدی, تشخیص لبه در دو مرحله انجام می شود:
^۱statistical Techniques
^۲hybrid Techniques
^۳ Edge Detection Techniques
^۴ Morphological Techniques
^۵ Graph-Searching Algorithms
^۶ Deformable Models
^۷ Iso Surfaces And Level Sets
۱-یافتن مرزهای محلی با بهره گرفتن از نوعی از مشتق گیری
۲-یک دسته سازی مرزهای محلی برای جداسازی وکسل^۱ های هر ناحیه همگن از نواحی مجاور

شکل ۲-۱-قطعه بندی با بهره گرفتن از روش تشخیص لبه با بهره گرفتن از فیلتر سبل(sobel)[7]
۲-۲-۱-۲-روش های ریخت شناسی
ریخت شناسی ریاضی برای تحلیل تصاویر از تبدیلات گروهی و بررسی اثر اعمال یک شکل خاص در قالب المان سازنده^۲ که اطلاعات اولیه تصویر را به صورت کد در می آورد استفاده می کند. در طی عملیات ریخت شناسی, مرکز المان سازنده کل تصویر را اسکن کرده و اطلاعات شکل تطبیق یافته مورد استفاده قرار می گیرد. در
^۱Voxel
^۲Structuring element
نتیجه شکل تبدیل یافته تابعی از المان سازنده خواهد بود. در عملیات ریخت شناسی از دو تبدیل اساسی فرسایش^۱ و انبساط^۲ استفاده می شود. با وجود اینکه عملیات ریخت شناسی به سادگی قابل فهم و پیاده سازی است, اما به طور کلی کنترل این عملیات و عملکرد دو تبدیل فرسایش و انبساط دشوار می باشد.
شکل ۲-۲-قطعه بندی تصویر MR با بهره گرفتن از روش های ریخت شناسی.(a) تصویر اصلی.(b) اعمال عملگر باز کردن^۳.© گرادیان ریخت شناسی تصویر (b)[8]
۲-۲-۱-۳-روش های جستجو کننده گراف
در این روش, مرزها و سطوح مربوط به حجم به عنوان گراف ها بیان می شوند و الگوریتم با بهره گرفتن از یک الگوریتم جستجو در پی یافتن کم هزینه ترین مسیر بین دو راس از گراف می باشد. این الگوریتم ها زمانی که اجزاء بین نواحی در ناحیه مورد نظر برای قطع بندی, به خوبی تعریف نشده باشند بسیار مفید خواهند بود.
۲-۲-۱-۴-مدل های قابل تغییر شکل
مدل های قابل تغییر شکل منحنی ها و سطوحی در تصویر دو و یا سه بعدی هستند که در اثر اعمال انرژی های خارجی و داخلی تغییر شکل می دهند. در الگوی مدلسازی فیزیکی, براثر اعمال نیروی داده ها (نیروی خارجی)
^۱Erosion
^۲Dilation
۳Opening
مدل قابل تغییر شکل به سمت داده حرکت میکند در حالی که نیروی داخلی مدل را در طی تغییر شکل, هموار نگاه می دارد. بعد از استفاده مدل های قابل تغییر شکل در بینایی ماشین^۱ و گرافیک کامپیوتری^۲ , این مدل ها شهرت بسیاری یافتند.
شکل ۲-۳-قطعه بندی ریه راست.(A)(1) تصویر اصلی.(۲) بعد از ۳ تکرار.(۳)بعد از ۹ تکرار.(B)(1) بعد از ۱۵ تکرار.(۲) بعد از ۲۱ تکرار.(۳) بعد از ۲۷ تکرار.© نتیجه نهایی بعد از ۳۳ تکرار.[۹]
۲-۲-۱-۵-سطوح همسان و مجموعه های تراز
^۱Computer Vision
^۲Computer Graphic
سطوح همسان با اتصال پیکسل ها و یا وکسل های مربوط به شدت روشنایی با یک مقدار همسان^۱ تعریف می شوند. مجموعه های هم تراز, به طور خلاصه, منحنی ها و سطوح در حال حرکت هستند. فلسفه استفاده از این تکنیک, استفاده از سطوح همسان به عنوان یک روش مدلسازی که می تواند یک جایگزین برای مدل پارامتریک باشد, می باشد. مدل های مجموعه تراز با توجه به تعداد زیاد درجات آزادی, از نظر مکانی انعطاف پذیر بوده و برای مرزها و سطوح پیچیده و اشیاء چندگانه^۲ و یا ادغام شده کاربرد دارند.
۲-۲-۲-روش های آماری
در این روش ها عملیات قطعه بندی تنها براساس تحلیل های آماری انجام می شود و هیچ گونه اطلاعات ساختاری مورد توجه قرار نمی گیرد.این روش ها را می توان به زیر مجموعه های زیر دسته بندی کرد:
۱-روش های آستانه گذاری^۳
۲-روش های طبقه بندی^۴
-الگوریتم های خوشه بندی^۵
۴-میدان های تصادفی مارکوف^۶
۲-۲-۲-۱-روش های آستانه گذاری
آستانه گذاری شاید ساده ترین روش برای قطعه بندی تصاویر باشد. در این روش یک مقدار به عنوان آستانه انتخاب می شود و از آن برای ایجاد یک تصویر دوتایی^۷ براساس شدت روشنایی استفاده می شود. در اینجا تمام پیکسل ها و یا وکسل های با شدت روشنایی بیشتر از مقدار آستانه به عنوان یک کلاس دشته بندی می شوند و پیکسل ها و یا وکسل های با شدت روشنایی کمتر جزء کلاس دیگر گروه بندی می شوند.
^۱Iso-Value
^۲Multiple Object
^۳ Thresholding Approaches