图像分割是图像处理的重要分支,也是研究计算机视觉不可或缺的一部分,是对图像或视频进行深度研究的首要操作,对目标的跟踪、目标的识别、图像的配准等研究都起着重要的基础作用。基于水平集的图像分割方法是近年来比较活跃的研究方向,其优势在于能够有效处理拓扑变化,而且能量模型可以方便的与其他方法进行结合,该分割算法受到研究者广泛的关注。当前的水平集理论仍在不断的发展变化着,模型本身也还存在着许多缺陷需要进一步的研究与完善。于是,这篇论文开展了基于水平集的活动轮廓模型的图像分割技术的研究,并取得了一些研究成果:1.总结了活动轮廓模型的基本理论,介绍了轮廓的不同表示形式,包括基于参数和基于几何的活动轮廓,简述了各自存在的优缺点,对一些经典的模型进行了简介,概况了各模型分割过程中面临的困难。然后分析了基于几何表示(水平集方法)的模型存在的一些问题:一方面水平集函数对初始化敏感,需要设置合理的初始轮廓;另一方面水平集函数在迭代过程中的稳定性问题,需要进行正则化处理。概述了当前针对该问题存在的一些解决方案,以及这些方案存在的不足之处。2.针对传统活动轮廓模型对初始化敏感的问题,提出了基于显著性检测的初始化方案。由于能量模型的非凸性,初始轮廓需要进行合理设置,而初始位置偏离主要目标时很容易导致模型陷入局部最小值,产生错误的分割结果。基于图像的显著图,可以获得目标的位置信息,将修正后的显著性检测结果作为初始的水平集函数,针对不同的图像自动生成初始轮廓,可以有效的防止轮廓初始位置偏离主要目标,避免产生局部最小化结果,同时减少了人工操作过程,提高了算法的效率。3.针对水平集函数的正则化问题,提出了基于贝塞尔滤波的正则化方法。传统模型对于水平集迭代的稳定性,需要定期对水平集函数进行重新初始化操作,耗时较多。近年来无重新初始化的模型兴起,通过在能量模型中加入正则化项,自动调整水平集函数。本文在经典模型的基础上,加入了贝塞尔滤波进行正则化处理,保持了水平集函数在演化过程中的稳定性。另外,基于贝塞尔滤波在边缘检测上的优势,提出了一种新的边缘停止函数,与传统模型相结合,使演化中的曲线能够更准确的停止在边缘位置,提高了模型的精确度。本文在传统活动轮廓模型的基础上,对基于水平集函数的方法进行了改进,在标准数据集上与经典的模型进行了对比与量化评估,经过实验仿真显示出了文中提出的算法具有较好的分割效果。同时,在实验中也发现了算法存在一定的局限性,需要在今后进行深入研究,进一步完善。