图像分割是计算机视觉领域中的一项重要任务，其目标是将一幅图像划分为若干个具有特定含义的区域。图像分割在许多应用领域中都有广泛的应用，如医学图像处理、机器人导航、图像编辑等。

图像分割的体系结构包括两个主要部分：前景/背景模型和分割算法。

前景/背景模型是指用于区分图像中的前景目标和背景的数学模型。常用的前景/背景模型包括颜色模型、纹理模型和混合模型等。颜色模型基于图像的颜色信息进行分割，可以根据颜色的相似性来判断像素属于前景还是背景。纹理模型则将图像的纹理特征作为判断依据，通过计算纹理的统计特征来进行分割。混合模型结合了颜色和纹理特征，可以更准确地判断前景和背景。

分割算法是用于实现图像分割的计算方法。主要包括基于阈值的分割算法、边缘检测算法和区域生长算法等。基于阈值的分割算法将图像中的像素按照阈值进行分类，低于阈值的像素属于背景，高于阈值的像素属于前景。边缘检测算法通过检测图像中的边缘信息来进行分割，常用的边缘检测算法有Canny算法和Sobel算法等。区域生长算法则基于像素的相似性将相邻的像素逐步合并为一个区域，直到满足停止准则。

除了传统的图像分割方法，近年来还出现了一些基于深度学习的图像分割方法，如全卷积网络（FCN）、语义分割网络（SegNet）和Mask R-CNN等。这些方法利用深度神经网络对图像进行像素级别的分割，能够处理复杂的场景和多样的目标。

总的来说，图像分割是一项具有挑战性的任务，其体系结构和方法多种多样。随着计算机视觉领域的不断发展和深度学习技术的应用，图像分割在各个领域都将有更广泛的应用前景。