图像分割是整个图像处理过程中关键而基础的预处理步骤。对相关问题的研究始终都是国内外学者们关注的热点话题。由于图像结构的多样性与复杂性,图像分割仍然是一项极具挑战性的任务,目前这方面也已有不少有效的方法。其中,基于参数活动轮廓模型(Snake模型)的图像分割算法将图像高层先验知识与底层视觉属性有机地结合,具有数值实现简单且可以获得闭合曲线的优势,一经提出便受到广泛的关注。本文对基于参数活动轮廓模型的图像分割算法进行研究。首先概述图像分割的基础理论与几种经典方法,再重点介绍基于参数活动轮廓模型的图像分割算法的研究现状,并针对几种重要的改进参数活动轮廓模型的实现方法以及存在的问题展开讨论。本文的主要工作与研究结论如下:(1)为了克服目前基于参数活动轮廓模型的图像分割算法普遍存在轮廓曲线难以收敛到细小深凹边界、适用范围受限、噪声鲁棒性差以及难以检测弱边缘的缺陷,提出一种基于EPGVF Snake模型的图像分割新算法。首先,选取新的扩散项代替具有各向同性光滑特性的Laplacian算子;其次,引入p-Laplacian泛函到平滑能量项中强化法线方向扩散力,从而促使轮廓曲线快速运动到长窄深凹边界;最后,利用边缘保真项使边缘处外力场方向与边缘平行来防止弱边缘泄露。实验结果表明,所提出模型不仅弥补了现有基于参数活动轮廓模型的图像分割算法的不足,具有更好的分割效果,还明显提高了角点定位精确率和噪声鲁棒性。(2)现有基于GVF Snake模型的图像分割方法普遍难以精确收敛到深度凹陷边界,尤其是外力场容易形成临界点的凹陷边界,比如细小凹陷和类似“Ω”形结构凹陷等。针对这些问题,提出一种基于GVF Snake模型的图像分割改进算法。首先,引入新的扩散向量强化外力场扩散能力;其次,利用随边缘梯度变化的权重函数控制切向与法向有偏地扩散;然后,采用核函数与边缘梯度卷积的方式调节外力场,促使轮廓曲线收敛到深凹边界。理论分析与实验结果都表明,所提出的算法与其他同类算法相比,不仅能正确进入狭长、内阔等复杂结构的深凹区域,还具有很强的抗噪性能,能有效保护弱边缘细节,具有更好的分割效果。