图像分割为数字图像处理中的一项极为关键的技术,自19世纪70年代,已有数十年的历史。图像分割是指利用图像的某些特征将图像中特征相异的区域提取出来实现分割的过程。本文主要对水平集图像分割方法进行讨论。利用水平集函数这一工具把曲线关于时间t演化的问题转化为曲面的演化问题,而曲面在演化过程中始终保持连续,从而可以处理曲线逼近目标轮廓过程中拓扑结构变化的问题。该方法同时结合变分知识和最优化方法实现数值求解。在本文中首先给出了三个关于已有经典水平集模型的改进方案,对它们从理论上分析了改进方案的合理性和可行性,并通过数值实验进行测试验证:一、针对一些图像中待分割目标区域与背景区域面积相差悬殊的情况,对C-V模型进行了改进,使得迭代过程中,水平集函数能够随区域面积的变化而自动调节对目标区域和背景区域的同质性的强弱要求,这样演化驱动力在演化过程随区域面积自适应变化,从而加快演化速度。二、对C-V模型进行合理简化改进,可实现快速计算,且改进后的模型对水平集初始化不敏感。在对一般图像的分割中,一方面,改进模型基本上不改变原C-V模型的分割效果,另一方面还可以减少计算量和迭代次数,提高处理效率。三、针对距离正则化模型完全依赖于像素的梯度模值这一局部信息而易受距离目标边缘较远的噪声干扰从而减慢对目标轮廓的逼近甚至趋于局部稳定以至分割失败的问题,本文给出了改进方案:在边缘停止函数中增加了一个基于区域内像素均值的全局信息量,使得水平集函数可以自动识别出遇到的梯度模值很大的地方是否为距离目标边缘较远的噪声点而使演化曲线在迭代过程中可以自适应越过这些噪声点实现分割。最后,利用差分图像给出了一个处理灰度不均匀图像的分割模型。差分图像反映了原图像的局部信息,且可加大目标区域和背景区域的对比度而对于远离目标边缘的局部区域可以削弱其灰度不均匀程度,故可以采用C-V模型来设计差分图像的能量泛函。本文把反映原图像全局信息和反映原图像局部信息的差分图像分别在简化C-V模型下的能量泛函结合起来得到处理灰度不均匀图像的分割模型。同时,在该模型中还引入随局部区域中的像素不均匀程度而自适应变化权重系数,增强了分割效果。