图像分割是图像处理和图像分析到图像理解的关键步骤。但是由于图像的多样性,使得图像分割成为图像处理技术中基础性的难题之一,而纹理图像的分割又是图像处理中更加困难的课题。无边缘活动轮廓模型(Active Contours without Edges,C-V模型)是一种简化的Mumford-Shah模型,该模型克服了传统的活动轮廓模型仅利用图像局部边缘信息分割效果不理想的缺点,使得模型在图像边缘模糊或不连续的情况下也可取得理想的分割结果。为了适用于矢量图像,C-V模型扩展到多通道的C—V模型,并且将分割的重点转化到了寻找一种精确描述图像特征的方法。Structure Tensor是一种以图像梯度信息表示图像特征的方法,但是仅包含了图像水平和垂直方向的梯度,丢失了其它方向上的重要信息。为克服Structure Tensor的缺点,提取图像最重要特征,本文提出了基于纹理子空间成分(Texture Subspace Components,TSC)的多通道C-V模型的分割方法。纹理梯度(Texture Gradient,TG)是一种可以描述图像在不同尺度、方向上特征的方法,它可以更精确、细致的描述图像的局部区域特征,且该梯度计算方法具有一定的鲁棒性。而像素模式的纹理特征(Pixel-pattern-based Texture Feature,PPBTF)是一种基于像素模式的纹理特征,它对光照变化不敏感,且能够反映较多的局部细节,有较高的区分能力。本文将PPBTF特征和纹理梯度特征作为多通道C-V模型的输入量,经过对复杂纹理图像分割的实验,证明了该方法的有效性和准确性。Gabor滤波器与方向能量(Oriented Energy,OE)均由一对奇偶滤波器构成,且两者均可描述图像区域特征,但是它们包含了太多的冗余信息和特征通道,不仅降低了分割的速度,而且使得分割的边缘也不准确。为克服Gabor滤波器和OE滤波器的缺点,本文分别利用了主成分分析(Principle Components Analysis,PCA)和并发子空间分析(Concurrent Subspace Analysis,CSA)的方法提取滤波器特征最主要的成分,达到了既保留图像特征又使冗余信息最少的效果。同时,考虑图像的像素灰度值也是图像的重要特征之一,而且实验也证明了图像灰度不可忽略,因此,本文将图像的灰度作为一维特征向量。最后,本文利用多通道C-V模型结合纹理子空间成分,对各种图像分割的结果表明本文研究方法的分割效果要明显好于结构张量的方法,并且本文方法具有很好的鲁棒性。