作为图像处理和计算机视觉的基础,图像分割是一门将图像按照特征划分成若干个互不重叠的区域并提出所需目标的技术,被广泛应用于工业检测、农业机械、影像医学、智能交通、航空航天、监控安全等领域。凭借着更强的可扩展性、更高的分割精度和更有利于后续处理的分割结果,主动轮廓模型已成为最常用的图像分割方法之一。通过将抽象的图像分割过程转化为直观的能量泛函最小化过程,主动轮廓模型能够有效地分割含有灰度不均匀现象的两相图像。但是,现有的主动轮廓模型大多在分割时间、分割精度、对初始轮廓的鲁棒性、抗噪声干扰能力和稳定性等方面具有一定的改进空间。本文对此展开研究,提出了一个改进算法和两个改进模型:一、改进模糊c均值聚类算法。在改进算法中,一个线性权重和图像被用来代替原始图像作为模糊聚类样本,解决了算法对噪声敏感的问题。并添加了一个合适的预处理过程,大大加快了算法的收敛速度。与现有方法不同的是,本文采用了将改进算法的结果——聚类中心融入主动轮廓模型以实现图像分割的策略。二、基于改进模糊c均值聚类算法的区域模型。在区域可缩放拟合模型基础上,运用聚类中心代替拟合函数,并将水平集规则项和长度项分别替换为一个符号函数和高斯滤波函数。相比于拟合函数,聚类中心的运算量较低且无需在每次迭代中反复更新,大大加快了模型的分割速度。由于聚类中心解决了拟合函数的局部性问题,模型对初始轮廓的鲁棒性得到明显改善。此外,在拟合能量项和改进算法中添加的降噪处理过程使得模型能够有效处理各类噪声。三、基于改进模糊c均值聚类算法和自适应函数的边缘模型。在距离规则水平集演化模型基础上,运用自适应符号函数、自适应边缘指示函数和改进的演化速度函数分别代替面积项系数、边缘指示函数和演化速度函数。自适应符号函数不仅解决了曲线只能单向运动的问题,大大提高了模型对初始轮廓的鲁棒性,而且赋予了模型选择性分割目标的能力。自适应边缘指示函数不仅能够准确定位目标边界,改善模型对复杂图像的分割效果,而且能够加快曲线的演化速率。改进演化速度函数凭借更好的函数性能进一步优化了模型的稳定性。同样地,模型和改进算法中的降噪处理过程增强了模型的抗噪声干扰能力。此外,本模型还具有一种边缘型+区域型的特性,能够有效处理目标内部含有较大噪声干扰的图像。实验结果和分析讨论证明了上述各研究内容的有效性。与多种经典主动轮廓模型的对比证明了所提出模型具有更好的分割能力和分割效果。