林业自动化研究在现代科学中具有重要意义,本文主要研究原木端面、植物叶片等一类复杂自然背景下植物图像的分割问题。这些图像具有复杂的自然背景,且背景与前景高度相似等特点,利用传统的分割算法难以取得理想的分割效果。基于水平集的活动轮廓模型具有抗噪性好,数值求解稳定性好,能够加入先验知识等优点,目前已广泛用于医学图像分割、三维重建、视频跟踪等领域。本文将研究利用加入先验知识的活动轮廓模型来解决一类复杂背景的林木图像的分割问题。传统的活动轮廓模型,在分割复杂自然背景的图像过程中,由于轮廓线的演化缺乏有效的约束,容易受到背景或者噪声的干扰,造成过度分割。本文在传统活动轮廓模型的基础上,针对待分割图像的特点,改进活动轮廓模型的能量方程,同时引入形状约束项,研究改进形成了一些新的活动轮廓模型算法。较好的解决了本文所涉及的原木端面图像及树叶图像的分割问题。本文主要工作如下：(1)研究建立了一种基于圆形约束的改进活动轮廓模型CV-LIF。针对自然条件下原木端面图像的分割问题,结合原木端面图像的特点,改进传统C-V模型,对演化曲线内部使用梯度进行拟合,同时融入局部图像拟合LIF (local image fitting)模型,加入圆形先验知识,将全局能量和局部能量结合到一起,共同约束轮廓线的演化。通过实验,分别对单个及多个原木端面图像进行分割,结果表明该方法可以较好的分割出图像中的原木端面。(2)植物叶片图像背景复杂,且与目标高度相似,同时图像中存在着丰富的梯度信息,使用传统无约束的活动轮廓模型很难得到理想的分割效果。针对这些问题,结合生物学上叶片形状分类知识,引入活动多边形模型来模拟叶片的形状,一方面将获得的叶片形状作为改进活动轮廓模型的初始轮廓线,另一方面作为形状约束项来约束轮廓线的演化。同时改进传统模型中的灰度梯度项为HIS空间下的彩色梯度项,增强了模型对彩色叶片图像的分割能力。实验表明,该方法能有效约束轮廓线的演化,避免背景的干扰,取得了良好的分割精度。