图像分割是图像处理中的一个重要的研究领域,活动轮廓模型是将曲线的演化转化为水平集的更新,结合变分思想,寻求能量泛函最小化状态的过程.活动轮廓模型具有良好的准确性,是当前图像分割中的一个研究热点.本文针对图像灰度不均匀,噪声和初始轮廓的鲁棒性差等问题,提出两个新的基于区域的活动轮廓模型,主要工作如下:(1)提出局部区域灰度拟合(Local Region Intensity Fitting,LRIF)模型.由于局部二值拟合(Local Binary Fitting,LBF)模型和局部图像拟合(Local Image Fitting,LIF)模型均存在对于初始轮廓和噪声敏感的问题,针对该问题,基于两个不同的局部拟合图像,利用Hellinger距离度量拟合图像与原始图像之间的相似度,将局部像素进行分类,构造一个新的变分能量泛函.实验结果表明,该模型可以有效地分割灰度不均匀的图像,同时提高了噪声的鲁棒性,有效地降低了模型对初始轮廓以及位置的依赖程度.(2)提出局部混合能量拟合(Local Hybrid Energy Fitting,LHEF)模型.由于局部灰度聚类(Local Intensity Clustering,LIC)模型在运行时要进行多次卷积,降低了分割效率,针对此问题,首先,基于扩展拟合图像和平方拟合图像,充分利用图像局部信息,通过Hellinger距离融合LIC模型与LIF模型;然后,分别利用扩展拟合图像与原始图像间以及平方拟合图像与原始图像的平方间的Hellinger距离,将距离较近的像素分为一类;其次,结合偏置场,实现模型对灰度不均匀图像的分割;最后,结合距离正则项和长度拟合项,保证曲线演化过程的光滑.实验结果表明,该模型不仅提高了分割效率,并且克服了 LIF模型对初始轮廓敏感的缺点.