از زمان روی کار آمدن روش های مجموعه ی سطح به عنوان ابزارهای انتشار مقابل و اولین استفاده از آن ها درقطعه بندی لبه ای در اوایل دهه ی 90 این روش ها به طور فزاینده ای به عنوان یک زیرساخت کلی برای قطعه بندی تصویر معروفیت پیدا کردند. در این مقاله، ما طبقه ی خاصی از متدهای قطعه بندی مجموعه ی سطح ناحیه محور را ارائه خواهیم کرد و توضیح می دهیم که چگونه می توان همگی آن ها را از یک زیرساخت آماری متداول استخراج کرد. هدف از طرح های قطعه بندی ناحیه محور تکه بندی دامنه ی تصویر با تناسب دهی دائمی مدل های آماری با شدت رنگ، بافت یا حرکت در هر یک از مجموعه های مناطق مختلف است. در مقابل طرح های لبه ای مانند اسنیک های کلاسیک، متدهای ناحیه محور از حساسیت کمتری نسبت به نویز برخوردار هستند. برای برخی تصاویر، توابع هزینه ی متناظر، مینیمم محلی کمتری دارند که همین عامل آن ها را بخوبی مناسب متدهای بهینه سازی محلی مانند متدهای مجموعه ی سطح می سازد. در ادامه، توضیح خواهیم داد که چگونه ادغام معیارهای سطح پایین مختلف به مجموعه ای از توابع هزینه منتهی می شود و اشاره ای نیز به روابط میان طرح های قطعه بندی مختلف خواهیم داشت. در زمینه ی نتایج تجربی، نشان می دهیم که چطور تابع مجموعه ی سطح در راستای تکه بندی صفحه ی عکس به دامنه هایی با رنگ یکسان، بافت، بافت دینامیک یا حرکت مورد استفاده قرار می گیرد. علاوه بر این، فرمولبندی بیزی امکان استفاده از دانش شکلی قبلی در متد مجموعه ی سطح را می دهد. همچنین مرور مختصری بر پیشرفت هایی که در این زمینه انجام گرفته اند خواهیم داشت.