图像分割是图像处理中的一项关键技术,对于计算机视觉及其应用诸如目标识别、场景分析、图像检索等有着重要意义。几十年来图像分割问题一直受到人们的高度重视。图像分割的方法和技术有很多种,其中水平集图像分割方法是一种有着很好前景的方法。该方法的优点是将图像分割问题转换为求解能量泛函数最小化问题,并且在执行过程中借助水平集函数的零水平集间接地表达目标物体的轮廓,易于处理曲线演化过程中的拓扑形变。目前虽然有很多水平集图像分割模型的提出,但是仍然存在着一些问题需要解决,如可处理多类型图像的分割模型其分割精度低、迭代效率低等问题,众多专门处理灰度不均匀图像的分割模型其鲁棒性不好、迭代效率低以及算法时间复杂度高等问题。本文在粗糙集理论基础上提出一种基于有序差别集和特征重要性的特征选择方法和算法。首先,提出了新的差别矩阵简化算法,该算法在无需排序和较少遍历次数的情况下简化了差别矩阵,明显提高了简化速度并最终得到简化的有序的差别集;然后,将有序差别集和特征重要性的标准相结合继而本文提出了特征选择新方法,新特征选择算法的最坏时间复杂度低于其它基于差别矩阵的特征选择算法;最后,大量关于特征选择的实验结果也表明新方法是有效性的甚至可以在很大程度上得到较小的特征约简集合。新特征选择方法将应用到针对图像数据的特征选择中,同时为了避免硬件条件的制约本文也提出了针对图像数据的非严格的特征选择补充算法。图像数据的特征选择结果将用于构造新水平集图像分割模型。针对多类型图像分割模型存在的问题,本文在粗糙集理论的基础上提出了针对图像数据的离散化定义和方法,并将分别其运用到KM模型的改进上和一个新水平集图像分割模型REK的构造中。离散化后图像的灰度均匀性会得到改善,这样一来由改进模型产生的区域参数可以更好地表达对应演化区域的灰度值,从而使得图像能够被更精确地分割,合成图像和自然图像的分割实验结果表明改进后的KM模型有更好的分割质量和迭代效率。在图像数据离散化的基础上也提出了适合处理多种类型灰度图像分割的新能量泛函数公式,并且通过理论证明是正确可行的。使用加权的核映射函数将原始离散图像数据映射到高维空间,从而使得该模型可以处理多种类型的灰度图像甚至是一定信噪比的噪声图像。新的能量泛函数公式联合由它导出的区域参数能够更好地表达同质区域的灰度信息,从而能够更精确地分割图像。与传统水平集图像分割不同,在迭代过程中新水平集函数中的元素可以拥有不同的步长,步长越大元素的更新速度越快并且水平集函数能够快速达到收敛状态,实现快速图像分割。本文采用合成图像和大脑图像等多类型灰度图像进行分割实验,实验结果表明与LIF、KM、BCLBF三个模型相比REK模型可以获得更好的分割质量和迭代效率。在解决多类型图像分割问题时,不限于仅采用本文对粗糙集理论研究的新成果也尝试了其他的方法。首先提出了扩展分水岭变换的方法和算法,扩展的分水岭变换能为水平集函数演化和区域参数更新提供权重信息,并且能够减少图像中的噪声和灰度不均匀性影响。因为图像数据离散化也具有改善图像灰度均匀性的作用,为了进行区别本文也给出了扩展分水岭变换与图像数据离散化的总结性对比。然后提出了基于扩展分水岭变换的新水平集图像分割模型EWK,并给出了该模型在低维空间中理论上可行性的证明。通过与水平集图像分割模型如KM模型,MBCLBF模型进行多种类型彩色图像的分割实验对比可以验证EWK模型有更好的迭代效率和分割精度以及鲁棒性。针对严重灰度不均匀图像的分割问题,本文提出了基于特征选择的水平集图像分割模型LSISFS。对图像数据进行特征选择后,不仅由于大部分冗余点的删除能够减少了水平集图像分割的计算量,而且由于本文在对图像数据进行特征选择时优先选择与所在局部区域的均值相近的特征点,这起到了间接滤波和灰度不均匀性纠正的作用从而可以提高分割质量。因此在执行水平集图像分割过程中传统的偏域纠正项也就可以被移除了。在演化曲线初始化时由于引入了阈值,这相当于在第一次迭代过程中对图像执行了一个粗略的阈值分割,这个过程的结果也可看成是获取图像的粗糙预分割。传统的阈值分割方法是不受初始化条件的影响,因此本文的水平集分割模型LSISFS可以不受演化曲线的初始化大小、位置、轮廓等条件因素的影响。与LBF、BCLBF、MBCLBF、LSACM这四个模型的分割实验对比也进一步验证了 LSISFS模型对于严重灰度不均匀图像的分割在迭代效率、鲁棒性等方面上的优势。