随着硬件设备技术的发展和图像处理理论算法的进步,基于机器视觉的解决方案凭借其快速、精确、智能等优势,被广泛应用于各个领域,如物体测量、目标识别、基于视觉的机械控制以及产品表面缺陷检测等等。图像分割作为图像处理的底层部分,分割精度的高低直接影响着后续特征提取、目标识别等高层图像研究的效果。传统分割算法对于边缘模糊、对比度弱的图像分割效果不理想。本文以纽扣为研究对象,研究基于水平集的图像分割算法,提高纽扣图像分割准确率。本文采用引导滤波和伽马变化改善了算法对环境变化的鲁棒性,并综合采用图像降采样、Canny算子和灰度投影法等方法完成目标粗分割,大幅度降低了水平集计算量,提升了运行速度。针对不同光学特性的纽扣图像,本文分别研究了基于CV模型、局部预拟合(LPF)能量模型和局部结构张量(LST)的水平集方法,并确定了对不同纽扣图像有效分割的最佳模型方法。在CV模型中引入正则化项,在LST模型中优化能量函数,算法迭代次数减少,分割精度提升。本文算法的分割效果采用多种评价标准,其中,DSC系数达到98%以上。另外,本文对模型中涉及的关键参数进行分析,以便获得更好的分割结果。算法光照适应性、抗噪性、运行速度均满足工业实时性生产的要求。本文使用C语言编程实现算法,并在PC平台进行速度测试,对于640×480pixels图像,速度约为33 fps。