医学影像的迅猛发展,为医学图像领域的研究人员提供了广阔的舞台。从医学图像中分割出解剖结构并构造出形状的几何表达。这是医学图象分析处理中的一项重要的基础工作。它在生物医学图像,临床诊断,病理分析具有很重要的意义,是医学图像处理、分析和理解的基础。基于水平集方法的曲线演化模型因为能够非常自由地改变形状而收敛到目标的轮廓,在医学图像分割领域上取得了较好的应用。但同时也反映出一些局限性,首先,模型本身结合的关于目标轮廓先验形状的知识较少;其次,对于很多实际医学图像中出现的灰度不均匀现象,一些经典的曲线演化模型都未能很好进行分割。因此,首先针对缺乏形状先验知识的问题,本文提出一种基于形状约束的水平集演化模型,将形状先验知识引入模型中,用来约束曲线的演化过程。该模型主要是基于简化的Mumford-Shah模型,对需要分割目标进行统计形状先验的学习,然后在模型中引入需要分割的目标的形状能量项,然后,最小化新的能量函数,以正确得到分割结果。本文针对脑部MRI图像进行了应用,对脑部MRI图像进行脑表皮分割,实验证明,本文提出的方法具有很好的分割效果。为了解决此灰度不均匀问题,本文提出一种基于灰度矩的水平集图像分割方法,方法首先计算原始图像的灰度矩,得到图像的边缘参数,由于灰度矩得到的边缘定位精度已达到亚像素级,所以得到的边缘参数能够更加精确的描述目标。然后,将计算得到的图像边缘参数结合到LBF主动轮廓模型中,进行能量最小化的计算,最终得到精确的分割结果。本方法解决了适应函数在曲线演化过程中依赖于水平集函数,需不断地重新迭代计算的问题。由于利用图像自身的信息,将边缘两边的灰度值作为适应函数的最优化值,使其不依赖于不断进化的水平集函数,成功解决了初始化依赖的问题;且由于只在第一步就计算出最优化的值,大大减少了分割速度。为了证明算法的有效性,我们对血管图像进行了应用,血管图像具有典型的灰度不均匀现象。实验结果表明,血管图像的分割结果不但精确,而且分割时间相比其它算法来说,也大大地较少了,提高了分割过程的鲁棒性和分割结果的精确性及分割速度。