伴随着信息技术的发展,人类社会产生了海量图像信息,挖掘、处理和分析图像中蕴藏的丰富信息对于人类的生产生活有着重要的指导意义。图像分割作为图像分析和理解的前提,一直是图像处理领域的重点和难点问题,它是指将图像中人们感兴趣或有研究价值的区域整体提取出来的过程。图像分割方法有很多种,而基于水平集思想的图像分割方法以其灵活的拓扑结构变换、强大的数学基础等优势,已经成为了一种受到广泛关注的图像分割方法。本文主要针对区域型水平集图像分割方法进行了深入分析和研究,然后针对该方法存在对初始轮廓和噪声敏感的问题提出了改进的分割模型,最后将改进模型与多种经典模型在灰度不均匀图像、噪声图像和自然图像上进行分割实验对比,验证改进模型的优越性。本文的主要工作如下:(1)提出了一种结合全局信息和局部拟合信息的水平集图像分割方法。针对基于局部信息的LATE模型对初始轮廓和噪声敏感,导致分割结果易于陷入局部极值的问题,引入基于全局灰度信息的CV模型作为全局能量项,将基于局部信息的LATE模型作为局部能量项,通过线性规则将二者组合起来,共同构成分割模型的保真项,同时,引入惩罚项来保证水平集函数在演化过程中保持为符号距离函数,提高数值计算的稳定性。而长度项的引入有助于平滑演化曲线。通过多种分割指标对比表明,改进的分割模型有助于提高LATE模型对初始轮廓和噪声的鲁棒性,同时也提高了分割的精度。(2)提出了一种含全局信息和局部高斯统计量的水平集图像分割方法。为了深入挖掘图像中灰度变化信息,达到精准分割的目的,本文用多维的高斯概率分布函数来模拟局部区域的灰度分布,并根据概率统计学的理论,将高斯概率分布函数构建为一个对数极大似然估计函数,并用该似然函数作为局部能量项,而该能量项包括局部均值和方差两种高斯统计量,通过使用这两种高斯统计量对局部区域灰度信息进行拟合来达到分割的目的。此外,引入基于全局信息的CV模型有助于降低分割模型对初始轮廓和噪声的敏感性。最后,通过多组对比实验验证本文模型的有效性。