随着计算机技术的不断发展,图像分割作为图像处理的关键技术,在模式识别、目标跟踪和图像理解等领域具有重要意义。国内外一些学者致力于图像分割问题的研究并提出了许多分割算法,其中基于水平集的图像分割方法具有良好的应用前景。该方法用水平集函数的零水平集间接地表示目标轮廓,可灵活处理轮廓曲线在演化过程中的分裂、合并等复杂结构变化。虽然现阶段有部分水平集图像分割的模型被相继提出,但仍然存在着一些问题亟需解决,如对信噪比低、背景复杂或灰度不均匀的图像存在分割准确率低、分割效率低以及算法复杂度高等问题。本文在水平集的理论基础上对医学图像分割算法进行研究,主要包括以下方面:1.提出了一种基于局部信息熵的水平集分割算法。图像的灰度均匀程度与其对应的信息熵值具有高度相关性,即在灰度变化大的区域对应的熵值越大,本文首先采用局部信息熵作为图像灰度均匀性的度量,整个数值求解过程只需计算一次局部信息熵值,在水平集函数的每次迭代中无需重新计算,未增加水平集演化过程的复杂度。其次,利用LIC模型的K-均值聚类准则收集原始图像的灰度信息以校正图像的偏置场,并将水平集函数的正则项引入所提算法的能量泛函以防止水平集函数在演化过程中被频繁地重新初始化。K-均值聚类准则和局部信息熵在所提算法的结合使用,提高了对噪声和灰度不均匀图像的分割准确率和分割效率,同时对初始轮廓具有更强的鲁棒性。2.提出了一种基于能量信息的水平集自适应分割算法。全局区域能量拟合项的优点是对水平集函数的初始位置不敏感,抗噪性能好,缺点是不能分割灰度不均匀图像;局部区域能量拟合项的优点是能较好地分割灰度不均匀图像,缺点是对演化曲线的初始位置较敏感。在演化曲线分割图像目标的过程中,用于控制演化曲线停止迭代的最大迭代次数需要根据经验手动设置,过程繁琐耗时且缺乏灵活性。本文结合局部能量项和全局能量项的特点,首先通过引入反应扩散函数和边缘检测函数,使水平集函数在曲线演化过程中保持为近似的符号距离函数,以避免重新初始化并降低计算复杂度。其次,基于水平集算法在图像分割过程中的能量变化规律,定义一个水平集函数演化终止准则,使水平集函数在目标被准确分割时自适应终止迭代,避免人工干预选择最大迭代次数的过程。实验证明所提算法比传统算法提高了图像的分割准确率。3.提出了一种基于局部偏差的水平集分割算法。图像的灰度不均匀性在实际应用中对正确的图像分割和图像理解带来诸多困难。为解决灰度不均匀图像的分割问题,本文首先通过分析光照模型采用切比雪夫基函数保证偏置场的平滑性,从而使估算的偏置场更加准确合理。其次,针对灰度严重不均匀的图像,通过考虑实测图像和真实图像之间局部区域的偏差,引入局部偏差矩阵并重新定义局部聚类能量泛函,该偏差矩阵可在曲线演化中用迭代的方式校正局部邻域内变化较大的偏置场,可实时修正偏置场估计值。本文给出了分割两相位图像和多相位图像的能量泛函及相应的水平集函数表达式,通过最小化所提模型的能量泛函可同时获得准确的分割结果和偏置场估计值。实验结果表明,该模型在Brain Web数据库的图像分割准确率高于其他模型。