经过几十年的发展，图像的可视化技术已经成为图像处理的热点问题之一。其中，感兴趣目标的边界曲面的检测与重构是三维图像分析中一个重要的问题，经常应用于对目标的描述、测量和分析中，特别是在医疗诊断、手术规划、器官移植等医学辅助方向更是有着重要的应用。应用梯度阈值来检测边界曲面是一种基本的方法，传统上采用全局梯度阈值。但是很多三维图像的梯度值分布范围很广，基于一个固定的梯度阈值并不能很好的将边界曲面区分出来。而且由于边界曲面本身的复杂性，以及图像细节及噪声的影响，这种方法重构的三维图像常常伴随着漏洞或不感兴趣的碎片，不能真实的反应原图像信息。如何有效地选取合适的全局梯度阈值也是一个难题，往往需要反复测试或依赖操作人员的经验。基于自适应原理检测边界曲面的方法无需手动设置梯度阈值，而是根据图像的局部信息自动计算合适的局部梯度阈值，以之来追踪和抽取边界曲面。这一方法不但解决了选取梯度阈值的难题，而且对提高检测的精度有重要的意义。本文讨论了三种自适应的方法来进行边界曲面的检测与重构。第一种方法是基于视觉模型，参照仿生学原理建立的。人们衡量边缘检测算法的好坏，一般是以人眼的主观观察作为评判依据的。因此，人眼的视觉效应对结果评价的影响很大。但是，很多边缘检测方法并未考虑到人眼的视觉效应是非线性的这一特征，导致边缘检测的结果常常会和人的主观评价有所差别。人眼对物体亮度的感觉不仅由物体本身的亮度决定，也与物体所处的背景的亮度有关。通过分析人眼在看物体时的阈值亮度比曲线和韦伯比曲线，我们可以将之应用在三维图像中，建立梯度阈值选择模型。这种方法可以根据图像的亮度信息，自适应选择梯度阈值来确定可能在边界曲面上的体元。进而根据边界曲面的连通性，追踪出整个曲面。该方法对大部分图像可以实现自适应抽取，得到的边界曲面与人的主观视觉感受比较一致。第二种方法是在方法一的基础上，结合子区域信息建立的。由于三维图像中常常包含复杂的图像细节，它们在视觉模型下同样是可见的，但是有些并不是我们想要抽取的边界结构，而是不感兴趣的碎片。方法一并未考虑图像细节的影响，而是将可见的边缘全部抽取出来，因此得到的边界曲面可能包含不感兴趣的碎片。由于本文的方法针对梯度值渐进变化的阶梯型边界曲面，因此，对于此类图像，可将原图像分割成很多个小区域，并认为小区域内边界点的梯度值不会发生太大变化。在追踪边界体元时，可以结合体元所在小区域内边界点的梯度信息和体元在视觉模型下的阈值，采用合理的方式来估计一个自适应的梯度阈值，将边界曲面结构和碎片结构区分开。该方法可以优化方法一的结果，提高检测精度。第三种方法是基于补洞的思路建立的。除了不感兴趣的碎片，边界曲面检测的另一个难点是：对一些图像，由于其本身结构复杂，边界曲面追踪过程中会漏掉一些细节，使抽取出的曲面包含洞。针对此类问题，我们基于检测洞和再追踪的思路提出了一种自适应方法。由于边界曲面具有连通性，我们在追踪过程中可以找到曲面停止增长的位置，之后采用合理的方式判断此处周围是否存在洞。如果存在，则说明该体元所在的子区域局部梯度阈值过高，应该适当降低，之后在此位置进行再追踪。反复进行补洞和再追踪过程，直到完成对整个曲面的抽取。该方法不但可以自适应地调整梯度阈值以抽取边界曲面，而且可以准确找出洞的位置，为其他基于补洞的处理算法提供了思路。本文提出的三种自适应检测边界曲面的方法，在大量三维医学图像上进行了实验，实验结果表明了算法是可靠和有效的。