图像处理在现实生活中占有重要地位。轮廓提取是图像处理技术的一种,是图像处理领域的研究内容之一。轮廓提取被广泛应用于森林资源及环境的监测等遥感信息数据分析,路面交通情况的掌控、医学图像分析,以及车牌、指纹识别等等。其中,利用边界跟踪方法对图像边界数据的提取有着大量的研究,但是在现有的边界跟踪方法中大部分都是基于二值图像进行处理的,对于灰度图像需要进行二值化的转换,灰度图像由于存在噪音等问题,转换的二值化图像往往不理想,算法对起始点没有很好的选择,在算法每次跟踪筛查并选择起始点时都要花费很长时间,且这些跟踪方法对多目标边界进行跟踪时容易出现漏跟踪的情况。针对这些缺陷,本文基于静态灰度图像提出了一种多目标的边界跟踪方法,并对起始点有了较高的要求,提出了种子点的定义。在对部分医学图像和噪音灰度图像进行跟踪时,本文方法具有良好的边界跟踪效果,从噪音图像的分析来看,本文方法具有一定的抗噪性。本文的主要工作从以下几个部分展开:第一部分,根据滤波后梯度图中边界点形成山脊的几何特性,提出了新的种子点定义,从种子点出发,可以对所有目标进行边界跟踪。同时确保所有的种子点都位于目标边界线上,且每条目标边界线上都至少存在一个种子点。第二部分,提出了一种基于静态灰度图像的多目标边界跟踪方法,主要针对多目标的灰度图像边界跟踪,合理地解决了以前方法存在的一些缺陷。第三部分,提出停止机制,以应对存在非封闭性边界的图像。第四部分,实验部分。设计了多个数值实验验证在第三部分里提出的理论,对不同程度的噪音图像的良好跟踪效果说明本文方法具有一定的抗噪性,通过与八邻域跟踪方法、Canny方法的对比,本文方法跟踪的边界结果更好,边界完整性更高,没有多余的边界;同时对算法中的两个阈值参数对结果的影响也做了实验和详细的分析。实验结果表明,本文方法能自适应地跟踪复杂灰度图像中多个目标的边界,获得更好的跟踪结果,并具有一定的抗噪性和较强的鲁棒性。