图像分割是图像处理与计算机视觉的关键技术之一,吸引了越来越多的研究者的注意,先后提出了多种不同的算法模型。首先是主动轮廓模型,它是一种充分利用高层信息的自上而下的处理过程。为轮廓提取、立体匹配和目标跟踪等一系列视觉问题提供了一个统一的理论框架,并已在图像分割、医学图像处理、人机交互等许多领域获得了广泛的应用。其次是在主动轮廓模型的基础上发展起来的几何算法,最初由Osher和Sethian提出,用于解决遵循热力学方程下火苗外形的变化过程。这种方法对于拓扑结构变化比较复杂的物体轮廓的提取有较大的优越性,现在已经应用于医学领域病变处的诊断。但是这几种模型仍然存在许多缺陷,因此有必要对它们做深入研究。本文首先阐述了主动轮廓模型的基本原理,研究了传统参数化主动轮廓模型能量函数最小化的改进算法。接下来针对主动轮廓模型对凹形物体轮廓提取效果不好的问题,研究了梯度流量算法(GVF)。虽然这种方法对凹陷物体轮廓的提取比主动轮廓模型效果要好,但是在对深度凹陷的物体轮廓的提取时效果仍不尽人意,为此将力场扩散方程中梯度矢量流的各分量分别归一化,使曲线上各点受物体边界力场的影响跟它与边界的距离无关,从而克服了GVF模型难以解决的深凹腔问题,同时提出了在GVF模型中引入和设置方向矢量的算法,在矢量指定范围内能屏蔽掉不需要的物体力场的影响,从而更加准确地分割出感兴趣的物体。Mumford-Shah模型是最成功的图像分割模型之一,本文还在研究了Mumford-Shah模型和水平集方法的基础上,提出了一种新的初始化水平集的连续分割方法。首先引入了一个设计好的Basin Hopping跳法,它用一种全局的跳跃方法使收敛曲线避免陷入局部最小值。然后针对多相分割,采用连续分割方法,并用估值能量来决定继续进行再分割的必要性,从而克服了C-V模型的不足。实验表明,文中对主动轮廓模型、GVF模型和Mumford-Shah模型的改进都取得了明显的效果。但由于这些算法具有不同的特性,实际应用中应该根据不同的场合选用不同的算法,充分利用它们各自的优点,更好的发挥其应有的性能。