图像分割随着近些年机器视觉和人工神经网络等领域的火爆发展,得到了越来越广泛的应用。基于活动轮廓模型的图像分割方法因为其在初始轮廓、约束力和作用域等方面具有更高的灵活性,利用求解能量泛函的最小化来实现图像分割的方法,已经逐渐得到了越来越广阔的发展。由于传统的基于局部的活动轮廓模型依赖于图像的局部信息,导致初始轮廓敏感,分割耗时长,弱边界处易泄露等问题,本文构建了一个全局预拟合函数,引入了图像的二阶梯度信息,以此为基础,设计出了三个基于全局预拟合能量驱动的活动轮廓模型。1.全局预拟合能量驱动的活动轮廓模型。该模型用一个基于全局梯度信息的二阶边缘检测算子代替传统的局部活动轮廓模型的数据拟合项。该算子不依赖于图像的局部灰度信息,与水平集函数无关,只与图像的二阶梯度信息有关,因此,不需要重复的迭代更新,减少了计算量的同时还大幅提高初始轮廓位置的鲁棒性。并且由于该模型的长度项用高斯平滑函数代替,所以,该模型的抗噪声干扰能力更好,分割速度更快。2.结合非线性扩散滤波的全局预拟合的活动轮廓模型。在分割含弱边界的图像时,二阶梯度算子的高斯滤波会导致图像目标边界的模糊,使演化曲线容易陷入局部最小化从而导致分割失败。为了解决模型在分割含弱边界图像的局部最小化问题,本文引入了非线性扩散滤波的方法,将高斯模糊后的图像再进行各向异性边界增强,提高图像弱边界处的对比度,加快演化曲线在弱边界处的演化速度,减少局部最小化的问题。相较于全局预拟合能量的活动轮廓模型,本模型的分割速度和分割准确率都得到了有效的提高。3.结合自适应的边界指示函数和优化的全局预拟合函数活动轮廓模型。首先构建一个新的能量泛函优化全局预拟合函数,提高其在同质区域的平滑能力,增强图像的边界统计信息,再将优化的全局预拟合函数与一个自适应边缘指示函数相结合,构建一个边缘+区域的模型。在同质区域依靠优化的全局预拟合函数,抑制噪声,加快曲线的演化,在边缘区域,由自适应边缘指示函数发挥作用,驱动曲线快速准确的演化到图像的边界上。相较于前两个模型,本模型的分割速度和分割效率都得到了更大的提高。后续的实验证明本文提出的全局预拟合项可以提高对灰度不均的图像的分割效率,且以此构建的三种模型的分割速度都渐进式的得到了提高。对于弱边界、高噪声和虚假目标都能得到准确的分割结果。与传统的基于局部的活动轮廓模型相比,提出的第一个模型提高了初始轮廓的鲁棒性,第二个模型减少了局部最小化问题,提高了分割速度和弱边界处的鲁棒性,第三个模型结合局部型和边缘型活动轮廓模型的优势,在具有更好的抑制噪声能力的同时,提高了分割的速度和效率。