图像分割是按照一定的标准把图像分成各具特性的区域并提取出感兴趣目标的技术和过程,它是对图像进行进一步分析、理解和识别的基础,是图像可视化、图像测量、图像压缩等许多高级图像处理技术的重要基础工作,是数字图像处理领域的关键技术之一。图像分割在数字图像处理领域的重要性,使得它一直都是众学者研究的热点工作。图像分割方法至今已经发展了几十年,学者们从不同的理论角度提出了许多方法并得以应用。本文首先学习研究了几种基于边缘检测的图像分割方法的理论、算法特点,并分别做了相应的实验分析。然后特别针对基于偏微分方程理论的主动轮廓模型算法和基于曲面拟合的Facet模型边缘检测分割算法进行了专门的研究改进和实际应用。主动轮廓模型是一种基于偏微分方程的图像分割方法,其主要思想是定义一个能量函数,在轮廓由初始位置向目标真实轮廓逐渐靠近时,寻找此能量函数的局部极小值,即通过对能量函数的动态优化来逼近目标的真实轮廓。该方法可有效地克服噪声干扰,特别适用于噪声比较大的图像处理。本文首先阐述了主动轮廓模型的基本原理,研究了传统参数主动轮廓模型的算法及其改进方式,然后针对传统参数主动轮廓模型对轮廓线的初始位置敏感的问题,改进了获取初始轮廓线的方法,然后把改进后的算法应用于工业CT(Computed Tomography,计算机断层成像技术)实际问题中,针对实际CT图像中工件的缺陷进行分割和参数测量,取得了较好的应用效果。Facet模型是一种基于曲面拟合边缘检测的图像分割方法,它以精度高、抗噪性强的特点而得到青睐并广泛应用。但它在进行三维边缘检测时却存在非常耗时的缺点,这限制了其在实际工业CT中的应用。针对这一问题,本文研究了一种3D facet模型的加速方法,首先对三维图像数据进行三维小波变换,设定较小阈值,完成图像边缘的粗定位,然后再针对粗边缘点逐个进行三维Facet拟合,完成图像边缘的精确定位。这种改进方法不仅能得到与直接3D Facet模型效果相当的边缘,更是大大提高了三维边缘检测的速度。把加速后的算法应用于工业CT实际图像中,取得了较好的应用效果。