随着科技的发展,图像获取设备逐渐大众化,获取图像的成本也越来越低,因此在计算机视觉领域,对于图像分割的要求也越来越高。尤其是面对污损图像时,要求分割模型可以准确分割出目标的轮廓,污损图像是指图像中目标的像素信息丢失或者图像中包含各种噪声污染等,造成像素信息丢失的原因可能是目标被别的物体遮挡或者图像在传输的过程中一些像素丢失等。传统的基于水平集的分割方法借助曲线演化理论而被学者接受并拓展研究,在图像目标简单且无污损等干扰信息时可以得到好的分割结果,因为该类方法可以在像素级别提取目标的有效特征,但是面对污损图像时,像素信息丢失,导致其无法有效提取像素级别的特征,无法得到准确的分割结果,并且这类分割模型往往需要丰富的人工先验知识设计提取特征的相关方法,使得其在图像分割方面有了很多限制。近年来,随着卷积神经网络技术被引入计算机视觉,并取得了很好的成效,尤其是U-Net等神经网络在某些领域的图像分割中取得了显著优于之前模型的效果,通过大量的样本训练,拟合输入图像与分割真值之间的映射关系,从而得到好的分割结果,但该类方法较高的准确率是基于大量的训练数据,而面对数据量较少的小样本数据时,就无法准确的拟合相关映射关系,导致最终不能得到好的分割结果。本文基于上述两种方法的优劣,将两者融合为一个框架,发挥其各自优势,达到对污损图像准确分割的目的。首先,面对目标被遮挡或者部分像素信息丢失的小样本污损图像,提出将基于水平集方法的CV模型中对目标轮廓的约束信息添加到U-Net网络中,在其提取图像特征的过程中加以辅助,使其在下采样的过程中,不仅考虑输入图像与分割真值之间对应像素点的映射,同时关注相同类型目标之间的相似信息,最终可以在小样本的前提下完成对污损图像的有效分割。其次,面对噪声污染的污损图像提出了一种自动分离噪声场的分割方法,目前的噪声图像分割方法均是假设噪声分布是已知的或者基于噪声分布规律是可观察到的,并没有对噪声图像中包含的噪声场进行建模。基于此问题,提出了将卷积自动编码器和传统偏移场模型相结合的方法来分割噪声污损图像。将带有噪声的图像作为输入图像,在其上叠加一层随机噪声,通过训练得到可以去除叠加噪声的卷积自动编码器,并将其用于去除原始的带噪声图像中的噪声场,同时将卷积自动编码器中训练好的去噪卷积核用于偏移场模型中的滤波器,达到对噪声污损图像的分割目的,在准确去除噪声的同时还避免了传统偏移场模型需要人工设计去噪滤波器而造成的误差。最后,通过设计一系列的对比实验,验证了本文提出的模型对污损图像分割的有效性,本文主要将传统分割方法与深度学习框架进行了结合,在发挥两者的优势的的同时避免其缺陷,达到了较高的污损图像分割准确率。