图像分割就是把图像分成若干个特定的、具有独特性质的区域并提取出感兴趣目标的过程。它作为图像处理的底层部分,其分割后的结果大量应用在图像理解、语义识别、图像搜索等领域。在当今社会,图像作为一种重要的获取信息的方式,以其易于理解和便于获得的特点被大众广泛接受。对于图像的分割,可以使得计算机更快的获得目标,便于进一步对图像进行分析与理解。本文从图像的显著性出发,结合脉冲耦合神经网络和水平集模型,主要研究了基于显著性检测的图像分割模型。针对区域生长模型中对于种子点敏感的问题,本文通过结合显著性检测模型确定初始种子点,并且利用脉冲耦合神经网络的耦合特性,实现了基于区域的图像分割。另外,针对水平集模型中对于初始轮廓敏感的问题,本章通过结合显著性检测模型确定水平集的初始轮廓,加速了水平集轮廓的演化速度,提高了图像分割的效率。具体的研究内容如下:(1)针对复杂图像中受背景干扰的问题,提出了一种基于区域生长的显著性脉冲耦合神经网络的图像分割模型。首先,利用显著性检测算法和最大类间方差法获得显著性图以及目标图像,排除了背景对于初始种子点选取的干扰;然后,计算出显著性图的质心作为初始种子点;最后,采用改进的基于区域生长的脉冲耦合神经网络对目标图像进行分割。另外,为了实现对多目标图像和灰度不均匀图像的分割,在显著性与脉冲耦合神经网络图像分割模型的基础上,提出了基于区域生长的显著性局部脉冲耦合神经网络(RG-SLPCNN)图像分割模型。首先,利用显著性检测模型计算出原始图像的显著性图。然后,根据直方图阈值法对显著性图进行粗分割,分割出目标与背景,并把目标的质心作为RG-SLPCNN的初始种子点。其次,本文把高斯核与原始图像的卷积结果作为放大系数,使得动态阈值具有了局部特性。最后,利用RG-SLPCNN对图像进行分割,实现对于多目标图像以及灰度不均匀图像的分割。(2)为了提高水平集图像分割的边缘分割效果和避免初始轮廓对于水平集模型的影响,本文提出了一种基于局部Renyi熵的显著性水平集图像分割模型。首先,利用基于全局对比度的显著性检测算法提取出原始图像的显著性图。然后,根据最大类间方差法和形态学模型计算出显著性图的轮廓,并且把该轮廓作为水平集函数的初始轮廓。其次,本章利用局部Renyi熵模型和Canny算子分别获得图像的局部能量和边缘能量,提高了水平集模型对于边缘的分割效果。同时,根据图像的局部Renyi熵和Canny算子构造出自适应权重系数和边界指示函数,加快了曲线的演化速度以及提高了对于弱边缘的检测能力。最后,引入基于局部二值拟合能量模型(LBF)作为外部能量项,增强了对于灰度不均匀图像的分割效果。虽然本文在基于显著性的图像分割方面进行了一系列的研究,但考虑到自然图像的复杂性,提取到的显著性目标往往很难满足预处理要求。此外,水平集模型中对于边缘的分割和灰度不均匀图像的分割等方面还需要进行进一步的探索与研究。