图像分割一直是计算机视觉和模式识别等领域内一个极具挑战性的研究问题。一般情况下,图像分割的目的是找到一幅图像中具有语义一致性的区域并将其彼此分割。为了实现这个目标,人们已经提出大量不同的方法,大致可划分为两大类：即,基于像素(pixel-wise)和基于区域(region-wise)。区域与像素相比,它们可以包含更多信息。这些区域是由原始图像经过初始分割所得到,这样可将图像几百万的像素转化为数量较少的初始区域。本文提出的基于CCTA区域合并的方法即充分利用这个优点来降低算法的复杂度。初始分割得到的图像用区域邻接图表示,其中每个节点代表一个均匀的区域,区域之间的边缘权重表示相邻区域的相似性。根据Kruskal最小生成树(KMST)算法,迭代合并空间域中彼此相邻、且视觉属性最相似的一致性区域,直至实现全局最优。近些年,在医学图像分割领域,基于像素的活动轮廓模型方法得到广泛应用。它们主要分为：基于边缘(edge)和基于区域(region)的模型；其中,基于区域的Chan-Vese(CV)方法最受关注。该方法无需图像的梯度信息,可运用于弱边缘检测的图像分割,但其缺点是对不均匀(inhomogeneity)图像很难得到理想效果。为此,结合CCTA方法中的像素不一致性因子(PIF),本文提出基于PIF的活动轮廓方法,使其对自然图像能取得较好分割结果。本文对大量自然图像数据库中的图像进行实验,结果表明本文提出的两种算法都可从背景复杂的自然图像中有效地分割出目标。