活动轮廓图像分割方法于1987年由M.Kass等人最先提出,在过去几十年中逐渐成为图像处理领域特别是图像分割领域的研究热点。随着研究的不断深入,大量的活动轮廓模型先后被提出并被广泛应用于医学、军事等诸多领域。然而,无论是基于图像边界特征还是基于图像区域特征建立的一些最先进的模型都存在对复杂内容图像分割能力不足的问题。其中,基于边界特征的模型因为只利用了图像的局部信息,当待分割目标的几何形状比较复杂时,容易给出欠分割:活动曲线在某些位置处停止演化,不能到达准确的目标边界。而基于区域特征的模型因为利用了图像的全局信息,在对一个感兴趣目标进行分割和提取的过程中容易受到背景区域的影响。因此,当分割一些特征(比如亮度、纹理)分布比较复杂的图像时也容易给出错误的分割结果。这些问题的存在制约了活动轮廓方法在更多实际问题中的应用。本文旨在建立新的活动轮廓模型,处理复杂内容图像的分割问题。从而进一步丰富活动轮廓的研究内容,推动其在更多实际问题中的应用。首先,针对现有的基于梯度向量流方法的活动轮廓无法越过梯度向量流场的鞍点和驻点,从而不能分割复杂几何形状目标的问题,提出了一个梯度向量流散度驱动的活动轮廓模型。本文对梯度向量流场的非保守性展开深入研究,得到一个关于梯度向量流场散度的重要结论,进而构造一个新的能量泛函,并将其梯度流(负梯度)作为新模型中活动轮廓演化的外部驱动力。新模型能够驱动活动轮廓越过鞍点和驻点,从而具有分割复杂几何形状目标的能力。同时,新模型保持了梯度向量流方法的诸多优点,比如良好的噪声鲁棒性和较大的搜索范围。其次,在微分几何框架下提出了一个新的边界映射算子,统一了数量值和向量值图像边界特征的计算。利用新的边界映射算子本文将基于图像边界特征的活动轮廓模型推广到向量值图像上,提出了彩色图像分割的梯度向量流散度驱动的活动轮廓方法。最后,针对现有的非参数统计活动轮廓模型不能有效分割特征(比如亮度、纹理)分布复杂图像的问题,提出了一个新的非参数统计活动轮廓模型——最小概率密度积分梯度流驱动的活动轮廓模型。该模型首先计算活动轮廓内部和外部区域内亮度分布的概率密度函数,籍此构造新的能量泛函,并将其梯度流作为新模型的外部力驱动活动轮廓演化。新模型能够有效分割亮度分布复杂的图像,对初始条件的要求也更加明晰。