图像分割是数字图像处理理论体系的主要研究方向之一,在计算机视觉和图像识别的各种应用系统中占有相当重要的地位,也是研制和开发计算机视觉系统、字符识别和目标自动获取等图像识别和理解系统首先要解决的问题。本文主要就影响医学图像分割精度和速度的几个关键问题包括:弱边界分割、多目标提取、消除重新初始化等问题进行研究。首先,针对运行时间长、累积误差大的问题,本文提出基于Chan-Vese水平集的梯度加速分割模型,既消除了重新初始化的过程,又能够有选择地加速感兴趣区域的边界分割。对于弱边界物体,基于Chan-Vese水平集的梯度加速分割模型还能有效地提高分割的精度。其次,针对多目标物体图像的分割问题,在Chan-Vese多相分割模型的基础上,结合分等级分割的概念,提出自适应的分等级分割方法,能够先根据图像中的物体数量判断出所需要的Level Set函数的个数。此方法不仅消除了多相分割模型对初始化曲线位置敏感的不足,而且能够充分利用每一个Level Set函数,减少分割步骤,并且能提高弱边界的提取精度。最后,结合多级分割的思想,并引入信息论中互信息来替代多级分割中的灰度平均方差(Var ),将互信息量作为判断分割是否完成的标准,但是若图像中噪音分布不均匀,也很难用同一个Var值来控制整幅图像中多个物体的分割。所以,本文提出一种基于互信息和Chan-Vese模型的图像分割方法,在无监督的分等级分割工作的基础上,仅将Var作为选择下一步分割区域的依据,而将已分割图像和原图像之间的互信息量来作为判断分割是否完成的标准,弱化了噪音对分割结果的影响,也提高了弱边界物体的分割精度。