图像分割的基本原理就是根据某种特性把图像分解成若干区域,并把感兴趣的目标对象提取出来,这些特性可以是灰度、纹理、颜色等。水平集方法在处理图像分割问题上表现出了良好的性能,是目前图像分割领域的一个重要的研究方向。但是,水平集分割方法现在仍处于发展阶段,对其理论和方法的研究有待于进一步深化和完善,如：现有水平集分割方法需要人工给定初始轮廓,而且初始化效果往往不好；现有水平集分割方法通用性较差等。因此,本文针对传统的水平集分割方法初始轮廓的人工干预、分割速度慢、分割效果不好等缺点对水平集分割方法进行了初始轮廓的自动预处理,并扩展了水平集演化算法,本文的主要工作有：1.传统水平集分割方法通常需要人工给定初始轮廓,具有随意性和不确定性,从而可能导致分割效果不理想、演化次数多,以及运行时间长等缺点,本文提出两种自主初始化方法,使得初始轮廓能够比较接近目标的边缘,为水平集演化提供良好的基础,从而改善分割效果。(1)提出一种基于梯度信息的初始轮廓定位方法。通过一种边缘停止函数来扩大模糊图像中边缘与非边缘梯度信息的差别,使得边缘和非边缘的数据呈现出明显的差别,然后使用方差来求得一个能区分边缘和非边缘的阀值,这个阀值满足使这两部分的方差的和最小的特点。然后将边缘部分的外围轮廓作为水平集演化的初始轮廓,实验表明该方法有效的改善了传统水平集分割方法的分割效果和演化速度。(2)提出了一种基于全局信息的初始轮廓定位方法。该方法利用图像的灰度均值作为阈值,然后根据这个阈值将整个图像的灰度数据转换成具有正负差别的灰度均差数据,用以指示每一点归属的对象。但是由于图像的模糊、噪声等原因,其中灰度均差接近0值得那些点中可能存在错误的归类。本文通过设置相应的两个参数,对其中某些可能不正常的点进行调整,然后取正值和负值的过渡边界作为初始轮廓。实验证明了该方法简单有效,对于一些其他方法很难处理的图像,得到了很接近实际目标边缘的初始轮廓。2.提出一种新的基于全局的水平集分割方法,通过初始轮廓曲线把图像分成三个部分：曲线窄带(零水平集部分),曲线内部和曲线外部,利用这三部分的统计信息来构造演化函数。相比传统的基于全局信息的水平集方法(如CV模型),由于单独设计了曲线窄带(零水平集部分)的统计信息,改善了一些目标边缘比较模糊的图像的分割效果。最后将本文提出的自主定位初始轮廓的方法和提出的新的水平集方法相结合,进一步优化了分割效果,加快了演化速度。本文就水平集方法的图像分割技术进行了扩展和提高,实验结果表明本文方法的有效性和可行性。下一步可进行多相水平集分割、纹理或者彩色图像分割、视频跟踪等领域的研究。