图像分割是图像处理到图像分析的关键步骤,也是一种基本的计算机视觉技术。图像分割的目的就是把目标物体或者人们感兴趣的部分从图像中分离出来,同时得到相应的边缘。在医学、军事、工业等领域中,如何快速准确且自适应地检测到图像中目标物体或者感兴趣部分的边界,吸引了诸多学者进行研究。偏微分方程图像分割是一种新颖有效的分割方法,近年来逐渐成为研究热点,并已广泛应用于图像分析和计算机视觉领域。C-V模型是偏微分方程图像分割领域中一个著名的基于区域的几何活动轮廓模型,它不含图像梯度并具有全局特性,表现出优于基于边缘的几何活动轮廓模型的特性。但是,它也存在诸多缺点,例如,不能处理灰度不均匀的图像、抗噪性弱以及演化速度慢等。针对C-V模型的缺点,本文进行了深入研究,提出了两个改进模型:①含边缘信息的C-V模型。边缘信息对图像分割是十分重要的。我们把图像的边缘信息融入C-V模型,提出了这个新模型,它同时利用同质区域信息和边缘信息使演化曲线在目标边缘处停止。实验显示:新模型能够克服C-V模型的一些缺点;在减少分割时间的同时,对目标灰度不均匀或背景灰度不均匀、含弱边缘或强噪声的图像,分割效果不仅优于C-V模型,也优于C-V模型的两个最新改进模型(LBF和GACV)。②扩展C-V模型(EC-V)。我们认为灰度变化对图像分割是至关重要的。然而, C-V模型完全忽略了这种灰度变化。我们在C-V模型中加入表征灰度变化的梯度信息,提出了扩展C-V模型。实验表明:1)EC-V模型能分割C-V模型不适用的某些类型的图像;2)EC-V模型也能分割C-V模型适用的图像,且对噪声的鲁棒性强于C-V模型。