图像分割是计算机视觉领域中一个非常重要的研究课题。图像分割通常用于定位图像中的物体和边界,其目的是简化或改变图像的表示形式,使得图像更容易理解和分析,在目标识别、运动物体跟踪、生物医学图像分析等领域中都有广泛的运用。图像分割的一个核心挑战是由成像设备、照明条件和复杂背景引起的图像灰度不均匀性。虽然目前已有的算法可以很好地分割出灰度均匀图像中的目标物体,但是对灰度不均匀场景则会出现较大误差。由于灰度不均匀图像往往在自然界中更具有普遍性,因此对灰度不均匀物体的准确分割具有十分重要的意义,也是一个更大的挑战。针对上述问题,本文提出了一种新的基于局部熵主动轮廓模型的图像分割算法。通过结合图像全局信息与局部信息构造拟合能量项,可以更加全面的借助图像信息,在目标物体的基本轮廓上进行精细化检测,使得分割结果更优异。本文模型的主要创新点如下:第一,当前许多模型中采用高斯核函数约束局部区域范围,但整个图像中不同的区域局部信息不同,单一的高斯核系数会使每一个局部区域范围固定,造成演化过程中的缺陷和误差。本文模型采用局部图像熵值定义多重高斯核系数,针对不同位置的图像局部区域,对应不同的高斯核系数,使局部区域范围的划分更加合理,有效地增强了模型对灰度不均匀图像的分割精度。第二,依据模型演化进程构建自适应结合系数函数,该函数使本文模型图像分割过程分为两个阶段:第一阶段,全局拟合项作为模型主要部分,驱动水平集函数演化出目标物体的大致轮廓范围;第二阶段,局部拟合项权值逐渐增加,再对目标物体边缘细节进行精细化分割。通过自适应系数进行分阶段演化可以减少模型的演化误差,使演化结果达到最佳。第三,在传统主动轮廓模型长度能量项的基础上,构建并加入新的边缘检测因子。改进后的长度项可以在演化曲线轮廓靠近实际目标物体时起到减缓和阻止的作用,加快主动轮廓模型的演化速率,并且增强模型处理灰度不均匀图像的能力。基于上述的创新点建立新的主动轮廓模型,本文模型可以有效地分割出灰度不均匀图像中的目标物体,并通过分析实验验证了本文模型对外界噪声和初始区域等因素具有良好的鲁棒性。相比于现有主流的主动轮廓模型,在对医学图像和户外图像等灰度不均匀图像进行分割的对比实验中,本文模型将物体边缘细节部分更加精确地检测出来,同时不会出现过度分割的问题。既保证了对目标物体图像的分割精度,也防止对边界区域过于敏感,模型检测的结果更加合理准确。