医学图像和雷达图像虽为灰度图像,但由于仪器的检测方式的固有缺点,使得所得到的图像存在边缘模糊和复杂的能量信息分布。自然彩色图像往往存在多目标相同颜色和同目标不同颜色的问题,提高了识别的难度。水平集算法既可以作为预处理步骤,也可以用作最终分割结果的获取,还可以将诸如聚类,阈值等预处理步骤添加到水平集模型中,还可以集成在其他分割算法(例如k均值)中。水平集算法具有良好的拓扑识别能力和稳定的封闭轮廓保持能力。为了更加详细了解水平集算法的特性,提升算法的性能,本文主要做了以下工作:(1)本文在总结近十年水平集算法的同时,还对常见算法在性能和优缺点上进行了实验对比,实验图像为医学图像和合成强度不均匀图像。从性能上看,水平集算法在分割速度和稳定性上都有较大提升,并且在抗噪优化方面有显著效果。在对比后总结了未来水平集发展可能的方向。(2)将泰勒扩展数值优化和偏置域矫正代入传统水平集能量项中,提升分割的稳定性,将新的基于图像数值均方差映射函数的能量信息项加入到水平集函数中。通过改进现有算法,提出了基于全局能量优化和局部能量分割的水平集算法,从色彩空间图像、函数多相处理和参数初始化等多方面进行算法优化。提出算法的实验结果在第五章中进行分析比较。由于在分割中函数的多维处理,分割对象分为灰度图像和彩色图像。由结果可以看输出,在某些图像中,提出的算法结果要优于所对比的算法。还将提出算法尝试应用于不同场景的图像之中。(3)将提出的算法分别应用到灰度图像和彩色图像之中,从迭代次数,分割时间,Jaccard系数等方面与其他算法进行了结果对比,显示了提出算法的优越性。