图像分割是计算机视觉领域中的一个极为重要的基本问题,其应用范围非常广泛,几乎出现在有关图像处理的所有领域,并涉及各种类型的图像.其中,动态轮廓线算法是一种比较新颖的求解曲线演化的图像分割方法,该算法具有许多经典图像分割方法所无法比拟的优点,在近年来得到了广泛的应用,尤其是应用于医学图像的分割.论文对动态轮廓线算法目前存在的几个主要问题,如对初始轮廓敏感和外部能量场中存在局部最小等,进行了研究.首先提出将阈值法与传统动态轮廓线算法相结合的分割方法,先用传统的阈值分割方法获得目标的大致边缘,再将其作为动态轮廓线算法的初始边缘,提高使用单一算法的性能和速度.接着提出将图像先验知识与动态轮廓线算法结合的分割方法,在动态轮廓线算法的约束条件中加入待分割目标的形状信息,能够避开外部能量场中的一些局部最小,同时可以一定程度上避免边缘"泄漏".为了从根本上提高动态轮廓线算法的性能,该文从动态轮廓线算法的基本模型入手,提出一种新的参数动态轮廓线算法的外部能量模型.该方法基于静电场的库仑定律,把轮廓线的运动建模为一系列正电荷连成的曲线在负电荷分布的电势场中的运动.该模型具有真正的长程力,能够将轮廓线准确地吸引到目标边缘,同时可以减少整个外部能量场具有的局部最小.并可以通过调整参数选择Snake收敛的目标,较其他的动态轮廓线算法更有灵活性.然后,该文根据外部能量场的性能的要求,对库仑场进行推广,根据图像的边缘特征由算法自动选择合适的参数.推广后的算法进一步消除了噪声和虚假边缘的干扰,提高了分割精度,减少了外部能量场中存在的局部最小,同时减少了人工设定参数的要求.最后,该文对几何Snake算法进行了一些研究,并作了一定改进,提高了它的迭代速度和分割准确性.