工业计算机拓扑断层技术(ICT)已经被广泛的应用于定位工件的内部缺陷,测量面积、体积等几何尺寸等各个方面之中。然而,仅仅借助二维切片图像去分析判定工件缺陷的性质是很困难的,得到的结果也不准确。因此,对工业CT的体数据直接进行分割的算法近来得到了越来越广泛的关注。基于活动轮廓的CV模型在图像分割方面取得了很好的效果,但该模型的抗噪效果较差。本文通过对CV模型进行一系列的改进,增强了模型在分割过程中对噪声的抑制能力,随后将模型推广到三维情况并用于工业CT体数据的分割。目前,对于典型的两种噪声,高斯白噪声和椒盐噪声,对应两种典型的去噪算法,中值滤波算法和高斯滤波算法。这两种算法存在一个共同的难点,就是滤波参数的选择。具体来说,对于中值滤波器,窗口大小的选择决定了滤波的效果,滤波器的窗口越大,对于噪声的抑制能力越强,然而图像的细节和边缘难以被很好的保留下来,导致在对图像进行后处理的时候会损失很多重要的信息；反之,如果窗口太小,图像中的很多噪声都不能被良好的去除,导致图像依然受噪声的干扰。现在,有很多对中值滤波的改进算法,比如对强噪声有良好抑制能力的自适应中值滤波模型AMF,对细节和边缘有很强保留能力的倒数加权中值滤波模型IWMF,可以根据不同的实际需要应用到不同的场合中去。对于高斯滤波器,方差的选择决定了滤波的效果,类似中值滤波器,方差越大,高斯滤波器抑制噪声的能力增强,但在滤波的同时对图像边缘和细节的保留能力减弱,反之,方差越小,图像的细节和边缘在一定程度上被保留下来的同时,滤波器对噪声的抑制能力减弱了,很多噪声残留在了去噪后的图像。本文将CV模型和去噪模型结合在一起,用CV模型演化过程中的演化曲线来控制滤波器以及滤波器参数的选择。针对典型的脉冲噪声,本文提出了一种结合自适应中值滤波算法的CV模型,以下简称MCV模型。该模型在离演化曲线远的区域选择去噪能力更强的AMF中值滤波器,离演化曲线近的区域选择细节保留能力更强的IWMF中值滤波器。针对高斯白噪声,本文提出了结合自适应高斯滤波算法的CV模型,以下简称GCV模型。与MCV模型类似,GCV模型在离演化曲线远的区域选择较大的方差增强去噪能力,离演化曲线近的区域选择较小方差的高斯滤波器更好的保留图像的细节和边缘部分。这样,在CV模型的迭代过程中,通过演化曲线指导去噪过程,并用去噪后的图像作为下一轮迭代的初始值。接着又提出了一种基于统计算法的自适应鲁棒CV模型,以下简称RCV模型。最后,将上述结合去噪的CV模型推广到三维情况,并应用到工业CT体数据的分割之中。