图像分割技术是图像处理领域中的一项重要研究内容,也是图像分析与目标识别的重要步骤。迄今为止,国内外学者提出了多种图像分割方法,然而由于图像的复杂性和多样性,图像分割依然是一项重要而富有挑战性的研究课题。在所有的图像分割算法中,基于曲线演化理论的水平集算法是受到了极大的关注。其利用了轮廓曲线动态演化的思想,并且具有严谨的数学理论基础,能够解决很多其他分割方法难以解决的问题。本论文深入研究了一些经典的水平集模型,针对存在的缺陷和不足提出了一些改进,并最终能够获得理想的分割效果。具体的研究工作如下:(1)针对边缘型水平集模型对曲线初始轮廓比较敏感的问题,给出了一种基于空间模糊聚类的边缘型水平集分割模型。首先采用空间模糊聚类算法对图像预分割,然后根据预分割的结果对边缘型水平集演化模型中水平集函数进行初始化,并加入使用双阱势函数的距离规则项来避免在演化过程中水平集函数周期性初始化的问题。该算法引入了图像空间域信息,克服了初始轮廓与参数均需要手动设定的缺点,并由于确定的初始位置,有效缓解了边缘型模型对初始轮廓敏感的问题,使得分割结果更加准确。通过边界十分模糊的乳腺肿块图像对该算法进行验证。经过试验验证该算法能够自动初始化并正确分割图像。(2)针对LBF模型对初始轮廓比较敏感且容易陷入局部最优的问题,给出了一种引入全局信息的局部区域型水平集分割模型。该模型将提供全局信息的C-V模型和提供局部信息的LBF模型通过局部熵结合起来,构建能量泛函,同时给出水平集演化的理论推导和数值求解。有效解决了 LBF模型对轮廓初始化敏感且容易陷入局部最优的问题,同时也可以解决C-V模型不能处理灰度不均匀图像的问题,并且可自动设置权重。最后通过灰度不均匀图像验证该算法的有效性。(3)针对LIC模型对图像修正的偏置场没有实质性约束(偏置场平滑且缓慢变化),导致偏置场修正结果以及图像分割结果不是十分理想的问题,给出了一种基于乘法优化的局部聚类水平集图像分割模型。通过一组平滑的线性基函数对偏置场进行拟合,以在理论上保证偏置场的光滑性。将图像分割与偏置场修正融合在一个能量泛函框架中,并给出水平集演化方程的理论推导和数值求解。该算法有效提高了 LIC模型的分割精度,并对偏置场进行了约束。最后通过合成图像与医学灰度不均匀图像进行试验,验证了该算法的有效性。