图像分割作为多数基于图像分析智能技术的基础,在自然、遥感、医学图像分析等领域均有广泛应用。变分水平集方法以其良好的拓扑结构变换、多种驱动能量优化融合以及有效的数值求解方案成为图像分割技术的热点。本文对变分水平集方法初始轮廓的敏感性、含噪和伪弱边缘图像的漏分割问题展开研究。论文的主要工作如下:(1)对变分水平集方法的基础理论和发展现状进行综述,介绍基于边界信息的GAC模型、基于全局区域信息的CV模型、引入局部区域信息的RSF模型以及融合边界和区域信息的混合变分水平集模型的发展思路,同时对这些模型的优缺点进行了比较与分析。(2)提出了一种将均值漂移聚类(Mean Shift, MS)和局部高斯分布拟合(Local Gaussian Distribution Fitting, LGDF)能量模型相结合的水平集图像分割方法(MS-LGDF)。该算法既可以有效解决MS聚类对噪声以及灰度不均匀图像分割不理想的问题,同时也可以改善LGDF模型对初始轮廓敏感、迭代次数多、分割速度慢的问题。实验结果表明,本文提出的MS-LGDF分割算法在鲁棒性、准确性、自适应性、分割效率方面均有明显提升。(3)提出了基于Surfacelet变换自适应滤波和混合变分水平集(Hybrid variational level set)模型的三维图像分割算法。该方法利用Surfacelet变换将三维图像进行多尺度多方向分解,在变换域利用改进的自适应阈值公式对各个子带系数进行滤波,随后利用Surfacelet的完全重建特性将滤波处理后的子带系数重建,得到滤波处理后的新图像,最后对新图像采用Hybrid变分水平集模型进行分割。实验结果表明,该方法可以有效解决单纯采用水平集方法的漏分割问题,分割效率和准确性都有所改善。