图像分割是计算机视觉领域至关重要的步骤,在科研领域内受到国内外学者的广泛研究并形成了多种多样的算法。其中,基于水平集的图像分割方法凭借其独有的算法优势,如自由拓扑变换,强大的数学基础,多信息共融性与较好的扩展性等,成为近年来图像分割领域的热点方向并迅速发展。本文研究了基于区域的水平集图像分割方法,并针对现有模型存在的不足之处进行了改进创新,最后结合多种人工合成图像和工程实践中的真实图像来验证模型的可行性。本文所作的具体创新工作如下:(1)提出了一种能够有效解决局部极小值问题的模型VLIF,有效解决了现有局部模型在分割灰度不均匀图像时容易陷入局部极小值造成分割失败的问题。该模型结合最大类间方差思想,在LIF模型的基础上增加类间方差能量项,通过最大化演化曲线上所有点的邻域内目标和背景的差异来剔除使演化曲线陷入局部极小值的伪边界点,驱使演化曲线停最终留在正确的目标边界。为了证明提出模型的有效性,本文进行了一系列对比实验,结果表明改进的模型可以有效地解决局部模型因陷入局部极小值而导致的误分割问题,提高对灰度不均匀以及复杂图像的分割准确度。(2)提出了一种权重自适应的融合图像全局信息和局部信息的活动轮廓模型。利用图像局部熵建立了精确可靠的衡量图像灰度信息的指标,通过实时获取图像分割过程中的灰度分布情况自适应的指导模型中不同功能能量项配比,实现全自动化分割。相比传统基于反复试验的固定参数线性调整模式,本文选择了一种更加合理的方式实现了全局项与局部项的动态非线性调整,实现了对多种类型图像的快速准确分割。最后通过一系列实验表明本文模型对于不同类型的灰度不均匀和噪声图像,能够完成快速准确的分割,且稳定性较高,对初始轮廓的位置也不敏感。