在当今的社会生活中,人人都缺少不了图像信息的获取,图像也是人与人之间,人与机器之间相互交流的媒介。所以,在获取图像信息并对图像进行分析与处理操作必不可少。图像分割是图像处理领域最基础且关键的研究,是后续图像识别与视觉分析的前提。近年来,基于水平集方法的图像分割技术已经得到越来越多学者的持续关注与研究。水平集方法具有严谨的数学理论背景,且获得的分割结果是光滑且封闭的目标边界曲线,具有很高的分割精度。另外,此方法是利用一个更高维度函数的零水平集来表达演化曲线,可以很好解决曲线演化中拓扑结构的改变。现存有很多优秀的水平集方法都可以很好地应对图像中容易出现的灰度不均匀性,但仍有部分问题以待解决,比如水平集函数演化过慢导致模型整体效率不高;模型对初始轮廓模型敏感等等问题。本论文从水平集方法的一个重要分支:基于局部区域的水平集方法展开研究,并提出了三种优化的基于局部区域的主动轮廓模型:(1)提出了一种基于K-means++聚类算法的主动轮廓模型。此模型的核心是两个拟合函数,它们是在水平集函数演化之前由K-means++聚类算法在局部区域窗口聚类所得。在本模型中,首先建立一个方形的局部区域窗口,并分别用两个拟合函数表示移动的方形局部区域窗口中较亮和较暗子区域的中心点。与传统的基于区域的主动轮廓模型相比,该方法避免了在曲线演化过程中拟合函数重复更新。因此,所提出的模型具有较低的计算成本,并且可以在较少的时间和迭代中获得正确的分割结果,同时提出的模型可以有效地分割灰度不均匀的图像。另外,实验证明该模型对初始轮廓具有很强的鲁棒性。(2)提出一种结合局部边缘拟合(Local edge fitting,LEF)能量和RSF(Region-scalable fitting)能量的主动轮廓模型。RSF模型在迭代过程中需要重复更新水平集函数并以此更新拟合函数的方法展现了很强的分割图像的能力。但正因为如此,RSF模型中存在的两个问题:a)重复更新拟合函数需要进行大量卷积计算,降低了模型效率。b)初始化的水平集函数很敏感。所以可以考虑在保留原始RSF模型的能量项的基础上,融入提出的局部边缘拟合能量,以保存分割具有复杂背景与目标图像的能力并提高分割效率。本文提出的局部边缘拟合能量用来提取全局目标边界以吸引初始的水平集函数到目标边缘处,并加速水平集函数的演化以及提高模型的分割效率和对参数的鲁棒性。本质上,这是一种优化的方法,不仅可以适用于RSF模型同样可以应用其他基于区域的水平集方法。(3)提出一种由局部规则化拟合(Local regularized fitting,LRF)能量驱动的主动轮廓模型。现存的主动轮廓模型可以很好应对图像拓扑结构的改变,但是它们也容易受到灰度不均匀性,噪声和模型参数的显着影响。为了改善这些问题,本文提出了一种由局部规则化拟合(LRF)能量驱动的主动轮廓模型用于分割图像,该模型在提出的拟合能量中引入核函数,可以提取局部可伸缩区域的像素点信息,以更好地吸引演化曲线向目标的边界。同时,通过引入正反切arctan()函数,使得拟合能量被调节到可控范围内。第三,提出了一种新的双势阱函数以避免重新初始化水平集函数并使模型更加稳定。最后,进行了一系列实验证明所提出的模型不仅可以有效地处理灰度不均匀性,具有较高的计算效率,而且对初始化具有较强的鲁棒性。