图像分割是图像处理领域中的一个重要研究方向。它能将图像中感兴趣的区域从背景中检测出来,是后续目标识别与特征分析的基础,广泛应用于人工智能、三维重建、医学图像分析等诸多领域。但是,真实图像通常会受到噪声干扰,并且存在诸如边界模糊、灰度不均匀等问题,给图像分割带来一定的困难。在现有的图像分割方法中,水平集算法由于具有数学理论严谨、算法容易实现、能处理传统的参数活动轮廓模型不能处理的拓扑结构等优势,受到广泛的关注和应用。水平集算法有很多,本文对较为经典的距离规则水平集演化(DRLSE)模型展开研究。该模型能够有效分割出同质图像的边界,但是它的初始轮廓必须完全包围目标或者完全设置在目标内部,并且其抗噪声能力差,在弱边界处容易发生边界泄漏的现象。针对上述这些问题,本文对模型进行了一定的改进,主要内容如下:(1)设计了一个柔性的目标符号函数,用于提高DRLSE模型对初始轮廓位置的鲁棒性。该函数利用轮廓线内外区域的灰度平均值与图像信息之间的关系,使其在目标边界两侧具有相反的符号,能够让轮廓线根据此特征自适应地选择向内或是向外演化,减少了模型对初始轮廓位置的依赖。同时,该函数还能反映大小,在图像清晰时强度大,对比度低时强度小,一定程度上提高了对边界的捕获能力。(2)在模型中引入了全局拟合信息,用于提高模型的分割速度。该方法的基本思想是以最大类间方差的阈值为基础设计两个拟合函数,初始轮廓根据结合了全局拟合信息的模型进行初步的几次迭代后,新的轮廓线会很快出现在边界附近,再由改进的DRLSE模型驱使曲线进行细致的分割,从而有效提高了分割速度。(3)针对DRLSE模型在分割多目标相邻图像时存在的问题,在模型的面积项中加入区域生长矩阵。滤波后的图像梯度信息会变模糊,如果目标靠得太近,梯度边缘会连接从而导致分割失败。区域生长矩阵可以增强相邻区域间的能量,加快此处曲线演化的速度,从而克服梯度变宽带来的误分割。(4)通过定义一个新的自适应边界指示函数,增强了模型的抗噪声能力,减少了边界泄漏的现象。在相同梯度值处,该函数能够根据不同图像自适应地调整大小,以此增加或减少能量,使曲线对不同图像不同区域能以更合适的速度演化,提高了分割准确度,分割速度也有所提升。综上所述,本文主要是基于DRLSE模型进行改进,得到一个新的自适应水平集分割模型。实验结果表明,该模型增强了对初始轮廓的鲁棒性,对弱边缘、含噪声的图像有较好的分割结果,并且能有效分割出多目标相邻图像的边界,同时,分割速度也有了一定的提高。