人工智能和计算机视觉等学科的飞速发展为数字图像处理的相关研究与应用提供了更为广泛的支撑。图像分割作为数字图像处理的重要研究之一,是模式识别、目标检测等领域的重点研究内容,旨在将图像划分成若干个子区域,并将目标区域从背景中分割出来。然而,在现有的图像分割模型中,存在着通用性差、分割不准确和效率不高等问题。因此,如何在现有图像分割模型的基础上解决这些问题具有重要意义。图像分割的模型和算法较多。其中受到广泛关注的模型之一是基于水平集方法的活动轮廓模型,是近年来领域内的研究热点。其中,在基于区域的水平集活动轮廓模型中,大多数模型仅考虑图像的区域信息,如灰度均值,而忽略了局部信息,导致其难以精确分割灰度不均匀图像,不能提供准确的分割结果。实际上,图像中的像素与其邻域是密切相关的。因此,相邻像素间的关系也是图像的重要特征,可以在图像分割中发挥重要作用。针对背景复杂、灰度不均匀和强噪声图像的分割问题,本文以变分水平集方法和偏微分方程为算法研究基础,深入研究基于变分理论的经典活动轮廓模型,分析优点和局限性。从降低对初始化轮廓的敏感度,提高噪声鲁棒性以及分割的准确率等方面开展本文研究工作。基于区域的扩展拟合能量模型是活动轮廓模型的重要部分,它可以应用于灰度不均匀的图像分割中。然而,对于分支较多的复杂血管的分割表现不佳。为了克服这一问题,本文提出一个新的能量模型。它由长度项、区域项和惩罚项组成。由于在原区域扩展拟合能量模型中的长度项和区域项均有使演化轮廓平滑的作用,这就导致轮廓演化会提前停止,进而,目标分割不完整的情况发生。因此本文利用反正切函数性质,减少长度项、惩罚项的影响,通过改进区域项实现降噪。实验结果证明本文模型对复杂血管分割较好,对初始化轮廓更加不敏感且具有光照鲁棒性。