一、均值漂移算法
均值漂移算法是一种非参数的统计方法，用于图像分割和目标跟踪。该算法通过迭代计算像素点的加权均值，将像素点按照相似性进行聚类，从而实现图像分割。下面是一个简单的Python代码示例，使用OpenCV和scikit-learn库实现均值漂移算法进行图像分割：

import cv2
from sklearn.cluster import MeanShift, estimate_bandwidth
import numpy as np
# 读取图像并转为灰度图
img = cv2.imread('image.jpg').astype(np.float32) / 255.0
gray = np.zeros_like(img)
# 估计MeanShift的带宽参数
bandwidth = estimate_bandwidth(img, quantile=0.1, n_samples=500)
# 初始化MeanShift模型
ms = MeanShift(bandwidth=bandwidth, bin_seeding=True)
ms.fit(gray)
labels = ms.labels_.reshape(img.shape)
# 将标签映射回原图并显示分割结果
segmented_img = np.zeros_like(img)
for label in np.unique(labels):
    if label == -1: continue  # -1表示背景标签
    segmented_img[labels == label] = label * 255
cv2.imshow('Segmented Image', segmented_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

在上述代码中，我们首先读取图像并转为灰度图，然后估计MeanShift的带宽参数。接着，我们初始化MeanShift模型并使用fit方法对灰度图进行聚类，得到每个像素点的标签。最后，我们将标签映射回原图并显示分割结果。

二、分水岭算法
分水岭算法是一种基于区域的图像分割算法，通过模拟地形学上的分水岭线将图像划分为不同的区域。该算法通常用于标记和分割前景对象。下面是一个简单的Python代码示例，使用OpenCV和scikit-learn库实现分水岭算法进行图像分割：

```python
import cv2
from skimage import measure
import numpy as np

读取图像并转为灰度图

img = cv2.imread(‘image.jpg’).astype(np.float32) / 255.0
gray = np.zeros_like(img)

使用Otsu’s方法计算二值化阈值

ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

对二值化图像进行形态学处理（开运算）以去除噪声

kernel = np.ones((3, 3), np.uint8)
a = cv2.erode(thresh, kernel, iterations=1)
b = cv2.dilate(a, kernel, iterations=1)

标记连通组件并获取每个区域的轮廓坐标和面积

components = measure.label(b) # 标记连通组件的函数
surfaces = measure.findsurfaces(components) # 查找表面区域（前景对象）的函数
surfaces = [surface for surface in surfaces if len(surface) > 0] # 过滤掉空表面
for surface in surfaces:
contour, = measure.find_contours(surface, 0.8 * cv2.arcLength(surface, True), 5)
area = cv2.contourArea(contour[0]) # 获取当前区域的面积
surfaces[surfaces.index(surface)] = (contour[0], area)

使用分水岭算法进行图像分割并显示分割结果

segmentation = measure.watershed(-np.log(np.abs(img - np.mean(img)) / (np.std(img) + 1e-6)))