图像分割是图像领域的一个研究热点,在医学、自动驾驶、机器人导航、定位和场景理解等方面有着重要应用,但是现有的图像分割算法存在着“过分割”或“欠分割”的情况。本文利用FCN网络对医学图像低级别胶质瘤进行粗分割,得到目标所在的大致轮廓,在此基础上将其作为初始轮廓,利用水平集算法实现了图像的精细分割。本文的研究内容如下:1.消除图像中无关信息,增强有关信息的可检测性。首先,利用BM3D图像去噪算法,减弱噪声对图像分割的影响。然后通过图像的翻转、旋转和裁剪等方法对数据集进行了扩充,增加了数据量从而减少了过拟合和,增加了模型的泛化能力。实验证明预处理后图像的分割的精度有了很大的提升。2.基于水平集函数和深度学习的图像分割算法研究。传统的主动轮廓模型存在对初始轮廓依赖性强、易于产生局部最小值、分割效果差等问题,因此本文将level-set算法和FCN网络相结合,首先利用FCN网络得到的图像粗分割,作为level-set算法的初始轮廓,最后利用level-set算法实现了图像的精细分割,并将该算法与U-Net算法及其他初始轮廓进行了比较,实验表明本文算法具有更高的图像分割精度。3.提出了一种改进的自适应距离保持水平集演化方法,定义了新的变权系数,有效地解决了水平集曲线演化过程中存在的演化速度无法控制的情况,并且在灰度相同的区域梯度的模|▽(Gδ*I)|0的情况下,该权系数仍然能保证轮廓曲线继续演化至目标边界。实验结果证明,该方法能够有效的检测目标边界,且能很好的控制演化速度。