医学图像分割一直以来都是医学图像处理的重点和难点。它不仅是医学图像中提取定量信息不可缺少的手段,也是三维可视化实现的基础。但是由于医学图像自身的一些特点,传统的图像分割方法很难满足医学图像的分割要求。Snake模型是一种基于参数轮廓曲线的图像分割方法,在高层知识的指导下和图像能量的驱动下,将参数曲线吸引到能量最小处,即目标区域的边缘处。该方法将底层图像信息和高层知识有机地结合起来,有效地弥补了传统医学图像分割技术存在的问题,从而很好地将目标分割出来。本文首先对传统Snake模型的基本理论进行了研究,归纳总结出该模型存在的六大问题,然后结合仿真实验描述了这些问题,分析了问题产生的原因。此外介绍了针对上述问题的基于Snake模型的改进方法,并分析了这些方法所存在的问题。其次,本文对Snake模型对初始轮廓敏感性的问题进行了研究,得出了只要将初始轮廓设在外力场的有效作用范围内就可以获得较好的分割效果的结论,从而将解决传统Snake模型问题的方法归结为找到一种合适的初始轮廓设置方法。最后,本文在分析现有的初始轮廓提取方法优缺点的基础上,提出了基于Extended-H-maxima和Extended-H-minima变换的初始轮廓设置方法。该方法是基于控制标记符分水岭分割方法的改进。实验证明,这种方法简单,快速,提取的初始轮廓线能满足用Snake模型对初始轮廓线的要求。