摘要：活动轮廓模型是一种重要的图像分割技术，它利用底层信息，并结合高层先验知识，实现对复杂目标轮廓的自动分割。自Kass等提出该思想以来的20多年中，活动轮廓模型在理论研究和应用方面均取得长足发展。首先重点阐述了几何活动轮廓模型的数学理论，最后通过一种几何活动轮廓模型的实例处理医学影像，观察结果并分析。
　　关键词：LBF模型：医学图像：活动轮廓模型：图像分割
　　1概述
　　对医学图像结构如血管、肿瘤等感兴趣域的自动准确分割是医学图像分析、可视化、医学诊断和处理的关键环节。然而，由于成像设备的限制，以及目标成像的轻微颤动，使不同模式的医学图像中存在不同程度的噪声和不均匀灰度，这无疑增加了医学图像分割的难度。
　　近年来，基于曲线演化理论和水平集方法的几何活动轮廓模型，因为它容易控制拓扑结构的变化、具有灵活开放的框架，以及能够有效结合图像本身的低层次视觉属性等优点，已经成为当前应用最为广泛的一类图像分割方法。按照曲线演化驱动力的构成方式不同，几何活动轮廓模型可分为基于边缘和基于区域的两大类。前者一般利用图像梯度构造边缘停止函数，使轮廓演化到目标边界处停止，从而完成分割。但此类模型对噪声较为敏感，同时在目标的弱边缘处易产生边界泄露，造成分割失败；后者则利用图像的区域统计信息构造轮廓演化的驱动力，较好地克服了前者的缺点。因此，基于区域的活动轮廓模型是进行医学图像分割的较好选择。
　　2LBF模型简介
　　LBF（LocalBinaryFitting）模型，模型函数中引入了高斯核函数。函数作用是先对图像中的每一个像素点定义局部能量泛函，再通过积分扩展到全局区域。因此LBF模型能够更好地分割灰度不均匀的图像。
　　LBF模型能量的定义：在图像区域中的任意一点，在此点处拟合能量泛函表示为轮廓曲线C的水平集函数，结合水平集方法，则可得LBF总的能量泛函。
　　在LBF模型中，图像在点X处的拟合能量是一类与方差有关的局部能量。因为LBF模型是先定义局部的能量泛函，再通过积分扩展到整个图像区域，所以分析该模型公式以及模型思想，可能具有以下優点：能分割一些非均匀灰度的图像；无论初始轮廓的位置在哪、初始轮廓的大小如何，曲线在演化的过程中都能迅速定位到目标的边界附近；计算速度快；
　　3仿真实验及结果分析
　　文章通过MATLAB软件实现使用LBF模型对医学灰度图像的分割。首先处理一张灰度均匀的图像，从处理图像可以看出，对灰度均匀的图像LBF模型可取得良好的分割效果。实验数据如表1所示。
　　4结束语
　　通过对LBF模型的分析研究可以发现：该模型是一种结合了局部和全局信息的主动轮廓模型，并且通过实验证明LBF模型具有如下显著的特点。首先，不仅可以分割均匀灰度图像，还能对非均匀灰度图像实现分割；其次，具有的抗噪性能非常强；最后，对初始轮廓的大小和位置不敏感，正因如此，在相同的迭代次数的前提下，LBF模型用时较长。