近年来,作为计算机视觉和图像处理中的重要环节,图像分割一直是图像工程领域的研究难点与热点。图像分割的主要目的是将整幅图像分割成若干互不重叠的子区域,且每个区域中的像素呈现一定的共性。偏微分方程理论凭借其优良的扩展性和较完备的数学理论基础,迅速成为图像工程领域最为流行的理论之一。其中,基于水平集方法的活动轮廓模型是偏微分方程理论在图像分割领域中的典型应用。其基本思想是:首先将演化曲线用一个高维的嵌入函数表示,并将函数引入到能量泛函中,得到关于嵌入函数的能量泛函;然后通过变分法得到关于嵌入函数的偏微分方程,最终的演化结果即为目标图像的边界。本文在分析和研究了现有模型的优缺点之后,得到了对灰度不均匀、弱边缘以及低对比度图像进行选择性分割以及同时进行全局分割和选择性分割的模型。本文的主要工作包括:1.针对基于边缘信息的选择性分割模型不能有效地分割灰度不均匀、弱边缘以及低对比度图像的问题,本文在该选择性分割模型中加入图像的局部区域信息作为约束项,得到了一种灰度不均匀图像选择性分割模型。该模型主要利用图像的局部区域拟合值来驱使曲线进行演化,以此来实现对灰度不均匀、弱边缘以及低对比度图像的选择性分割。仿真实验结果表明改进的模型能对灰度不均匀、弱边缘及低对比度图像实现有效地分割。2.为解决灰度不均匀图像选择性分割模型对演化曲线的初始位置比较敏感且分割时间比较长的问题,本文对其进行了进一步的改进。首先,构造了一个关于图像局部区域信息的权重函数;其次,将图像的全局区域信息引入到分割模型中。其中,权重函数会根据图像的局部拟合值来自动调节局部区域拟合部分和全局区域拟合部分在模型中所占的比重,最终实现自适应的选择性分割目标物体的目的。该改进的模型利用全局区域拟合部分和局部区域拟合部分各自的优点来弥补对方的缺点,最终实现对灰度不均匀、弱边缘以及低对比度图像的自适应的选择性分割。仿真实验结果表明该分割模型对初始轮廓的位置不敏感,分割速度快,并且不再需要根据经验人工选择权重系数。3.由于前面改进的活动轮廓模型均是基于单水平集方法,最终只能实现图像的局部选择性分割。为了实现图像的全局分割和局部分割的同时进行,本文在基于改进的灰度不均匀图像选择性分割模型中定义两条演化曲线,其中一条用来实现对图像的局部选择性分割,另一条用来实现对图像的全局分割,最终得到了能实现全局分割和局部选择性分割同时进行的基于双水平集方法的图像分割模型。