图像分割,是指根据图像的特征,将图像分为目标和背景两大类或将感兴趣的目标提取出来的过程或技术。图像分割是图像处理的必要步骤,是进行图像分析的重要前提。偏微分方程方法的应用是图像分割领域的一个重大的研究进展,这一突破使图像分割技术有了完备的数学理论基础,并且演化曲线的运动也更加灵活。基于偏微分方程的活动轮廓模型一般是通过最小化封闭曲线的能量泛函来寻找目标轮廓边界,并用变分水平集的方法解决这一最小化问题。基于以上理论,本文提出了基于区域信息的选择性分割模型,兼顾了图像的全局信息和局部信息,能够选择性地分割一些相对复杂的图像;并将此模型从灰度图像推广到了彩色图像中,解决了彩色图像的选择性分割问题;最后,将彩色图像分割模型用双水平集方法描述,使其在选择性地分割某单一目标的同时,也能分割出图像中全部的目标。针对原有的选择性分割模型对灰度不均匀图像、噪声图像等处理效果不理想的问题,提出基于图像区域信息的选择性分割模型。新的模型考虑了图像区域信息,将全局区域信息和局部区域信息相结合,并使用权重系数来调节这两项在整个模型中的比例,使其针对不同类型的图像发挥作用。仿真结果表明,与其他模型相比,改进后的新模型能够有效地分割图像,克服原有模型的不足。改进后的模型只是针对灰度图像进行选择性分割的,在此基础上,将分割方法推广到彩色图像的选择性分割中。以曲面弧长微元为切入点,重新刻画彩色图像的边缘停止函数,使其包含彩色图像的各分量图像信息。仿真实验表明,与其他模型的分割结果相比,新的彩色图像选择性分割模型对灰度不均匀图像、噪声图像有较理想的分割效果。在彩色图像选择性分割模型的基础上,将这个模型应用到双水平集方法中。定义两个水平集函数,一个利用约束条件进行选择性分割,另一个用来分割图像中全部的目标。双水平集的彩色图像分割模型满足了人们更高的要求,实现了彩色图像单一目标的选择性分割和所有目标同步分割的功能。