图像分割是图像处理、分析与理解、图像识别和计算机视觉研究领域的一个重要组成部分,也是一个经典难题,特别是对于普遍存在的复杂图像(如医学、自然)分割问题,目前并没有统一且有效的解决办法。近年来,基于活动轮廓模型的图像分割方法凭借其严谨的数学理论框架、灵活的数值方案以及优越的性能得到图像处理领域相关专家的广泛关注。它用数学模型来表示图像分割问题,根据给定的初始轮廓,通过最小化有关图像信息的能量泛函,驱使轮廓线不断演化并在目标边界达到最小值。除此之外,基于透明度的图像抠图技术也是现如今的研究热点,该类方法将透明度作为图像的一种内在属性,通过寻求其最优解达到目标分割的目的,其中闭合形式(Closed-form)方法在分割目标边缘模糊图像上能够取得理想的效果。该方法将图像看成是由前景和背景组成,通过图像由前景和背景合成的模型建立能量函数,最后通过数学的方法求解能量函数最小时的透明度α值作为分割的最后结果。闭合形式方法和活动轮廓模型的相似之处：通过模型建立能量函数,求解最小能量函数来进行图像分割。本文首先综述了图像分割的研究意义和现状,对当前分割方法进行分类并作简要介绍,较全面地分析了基于活动轮廓模型的图像分割和图像抠图技术,然后介绍了几何活动轮廓模型的理论基础-曲线演化理论和水平集方法,简要介绍了几种代表性的活动轮廓模型的基本原理和闭合形式方法的理论基础。通过分析国内外文献,本文提出了对两种方法的改进和应用：(1)基于全局和局部信息的GAC模型。本文分析和研究了基于GAC模型提出的SBGFRLS水平集方法的核心：二值水平集方法和SPF模型。然后针对SPF模型不能处理非同质图像的缺陷提出了一个结合全局灰度信息和局部灰度信息的新活动轮廓模型。最后通过对比实验证明了新模型可以有效地克服了SPF模型的缺点,具有较好的抗噪性,而且由于计算上采用了二值水平集方法使其效率远远高于LBF模型。(2)基于闭合形式的脑肿瘤分割。脑肿瘤组织边缘模糊不清和凹凸多变,传统的分割方法提取脑肿瘤效果不是很好。本文讨论了闭合形式方法在医学图像脑肿瘤组织的提取中的应用,并取得较理想的实验结果。由于原方法的手动标记容易带来繁琐和造成误分割,提出了通过KNN方法预分割自动标记出脑肿瘤和背景,实验证明改进后的闭合形式方法降低了对用户的要求,而且提高了分割的效率和精确度。