图像分割与目标跟踪是计算机视觉领域中两项基本而又关键的技术,在现实生活的实际应用中扮演着重要角色。其中,图像分割,作为图像处理的预处理步骤,其分割结果好坏直接影响后续操作。另一重要分支目标跟踪,在视频压缩、交通控制、遥感监控和医学辅助等领域都起到重要作用。目前,已有大量图像分割和目标跟踪算法被应用于计算机视觉领域。其中,作为活动轮廓模型延伸的水平集方法,以其显著优势:灵活的拓扑结构和稳定的数值计算,已逐渐成为一种目前非常热门的分割和跟踪算法。尽管,水平集理论已经非常成熟,但由于受图像灰度不均匀性、噪声、复杂背景、目标遮挡、目标模糊和目标非刚性变化等因素影响,其分割和跟踪准确度仍需提高。目前,提出如何能快速、准确、高鲁棒地解决上述问题的水平集算法,已成为水平集领域研究的重点、难点,也是现阶段亟需解决的问题。鉴于此,本文基于水平集理论,提出了一系列行之有效的分割和跟踪算法。具体来讲,本文的主要研究内容和创新点包括:(1)针对图像灰度不均匀现象,提出了一种自适应尺度水平集算法。首先,为缓解图像灰度不均匀性对分割结果的影响,建立了一种偏移场估计模型,对图像灰度不均匀性作出估计与纠正,并将其融入水平集算法,实现灰度不均匀图像的同步分割和灰度不均匀性纠正。然后,基于图像信息熵,定义了一种自适应尺度算子,使算法能根据图像灰度不均匀程度,自适应地调节算法尺度,提高了算法的分割速度和鲁棒性。最后,与现阶段流行水平集算法的对比实验,进一步验证了本文算法在强灰度不均匀图像分割准确度上的优势。(2)针对图像存在噪声污染问题,提出了一种基于局部和全局信息的混合水平集算法。具体来讲,通过将图像全局信息融入相对熵损失函数,构造了算法的全局能量项,引导演化曲线快速收敛于目标边界。其次,通过将偏移场估计模型融入水平集模型,构建了算法的局部能量项,完成对目标轮廓的准确提取。与采用固定值调整局部和全局项间权重的传统混合水平集算法不同,本文定义了一种自适应尺度算子,实现了对算法局部能量项和全局能量项间权重的自适应调整。对不同种类、不同程度噪声污染图像的分割结果表明,本文算法无论在分割速度上还是在对噪声的鲁棒性上,都要优于大多数水平集算法。(3)为提高现有水平集算法在彩色图像上的表现,提出了一种显著性监督的水平集算法,弥补了现有水平集算法对彩色图像分割效果差的缺陷,提高了水平集算法在现实生活中的应用率。首先,利用显著性检测算法提取图像显著性,得到目标得分图,并将其融入水平集模型,定义算法全局能量项,监督算法水平集曲线演化。然后,利用图像CIEL*a*b*色彩空间信息,定义算法局部能量泛函,详细提取目标边界。此外,鉴于目前水平集算法大都采用人工手动方式获取目标初始轮廓,此过程不仅耗时而且复杂,本文提出一种自动初始化方法,自动获取算法的初始轮廓,提高了算法的智能化与分割效率。最后,与经典和目前较为流行水平集算法的对比实验表明,本文算法提高了现有水平集算法在彩色图像上的表现。在5个公共数据集上与显著性检测算法的对比实验,验证了本文算法在分割准确度上的优势。(4)为缓解视频背景像素对目标外观模型的污染,提出了一种支持向量机引导的目标轮廓跟踪水平集算法,实现对目标轮廓的准确跟踪,提高了目标跟踪的准确度。首先,利用竞争一类支持向量机重复训练-标注初始目标、背景标签图,得到当前帧目标外观模型。然后,将其与边缘检测算子和视频帧的空间信息融入水平集模型,提出本文算法,完成对当前帧目标的提取,并将结果反馈给支持向量机,更新外观模型。与此过程相似,完成后续视频帧的目标提取。当视频帧出现目标遮挡、模糊和非刚体形变时,本文引入粒子滤波算法,训练外观模型,并将其融入水平集模型,准确估计被遮挡目标的位置,避免目标丢失。最后,在3个公开数据集上的跟踪结果,验证了本文算法的可行性和有效性。