图像分割是模式识别和计算机视觉领域至关重要的预处理过程,主要指把图像分成若干个特定的、具有独特性质的区域并提取出感兴趣目标的技术和过程,分割出来的图像域在子区域的某种性质上具有一致性,而在相邻区域却呈现出明显的差异性,不同图像根据不同的应用需求使用的图像分割算法也大不相同,但发展至今仍没有找到一个通用的分割技术。目前,大多数图像分割算法都是根据图像的灰度、颜色、纹理等特征把图像划分成具有某种特性的区域,并根据这些特征提取出感兴趣的目标区域,而现实世界中图像的不均匀性、噪声、弱边界和低对比度等特点增加了图像分割的难度。基于水平集的图像分割方法以数学理论为基础,具有高效的数值分析和计算能力,可以灵活地处理目标对象拓扑结构变化,是近年来比较活跃的研究方向。本论文在传统活动轮廓模型的基础上,对基于水平集的图像分割方法进行了改进研究,提出了两种图像分割方法,经过仿真和量化评估实验,验证所提出方法的有效性和可行性。主要研究工作总结如下:(1)当水平集算法用来分割图像时,水平集函数在演化过程中必须周期性地初始化为符号距离函数,从而保证该算法在图像处理过程中的稳定性和有效性。为了解决周期性初始化带来的计算复杂、时间消耗大等问题,本文提出了一种基于改进正则化水平集算法的图像分割方法。首先,定义了一个新的势函数,并据此重新构造了距离正则项,从而解决了水平集函数演化过程中周期性初始化为符号距离函数的问题。其次,将新的距离正则项与基于图像信息的内外能量项相结合,从而组成了一个新的能量泛函。最后,利用变分法和最速下降法,得到了该能量泛函对应的偏微分方程,从而实现了图像的有效分割。仿真实验结果表明,本文提出的算法能够有效分割噪声和灰度不均匀图像。(2)为了解决现有图像分割算法在处理灰度不均匀图像时,因过度关注图像局部信息而导致算法通用性差的问题,本文提出了一种基于改进符号压力函数和局部图像拟合模型相结合的图像分割方法。首先,基于内部和外部灰度均值信息给出了轮廓曲线内外的全局区域灰度均值加权组合函数,运用图像全局信息定义了一个新的符号压力函数构成全局信息项,用来分割模糊图像和弱边界图像。然后,引入局部图像拟合模型作为局部信息项,从而可以有效处理灰度不均匀图像。随后,基于局部和全局图像信息建立权重函数,利用该函数来动态调整局部信息项和全局信息项之间的权重关系,从而达到准确分割图像的目的。实验结果表明,该模型计算简单,收敛速度快,能有效分割多目标图像和灰度不均匀图像。此外,该方法对初始轮廓曲线位置和噪声具有一定的鲁棒性。(3)为了更好地验证基于改进正则化水平集算法的分割性能,将该算法应用于临床医学图像分割问题。在四幅医学图像上进行了仿真实验,实验结果验证了改进算法的有效性,表明该算法在处理现实医学图像分割问题上具有良好的性能。