随着计算机软硬件的发展以及计算机图形学相关理论的完善,图像分割逐渐成为人们关注的热点。在医学研研和临床实践中,许多病症的诊断、治疗过程都依靠图像分割,图像分割是帮助医研准确诊断的重要手段。由于医学图像经常含有灰度不均匀性、噪声、弱边界等特点,准确的分割医学图像具有很大的难度。因此,研研医学图像的分割算法在医学领域具有很大的现实意义。图像分割已成为当前的一个研研热点。基于水平集的算法能够自适应的寻找目标边界,并且具有很高的灵活性,因此很多学者都关注该算法并进行研研。本文对国内外现有的水平集分割算法进行了详细分析并做了总结,并提出了改进的水平集算法,主要做了如下几个方面工作:1、介绍了两类图像分割算法,分析了各自的优点和不足。详细介绍了参数主动轮廓模型和几何主动轮廓模型。重点介绍了水平集方法的相关理论和分类。最后介绍几种典型的水平集算法在图像分割中的实际应用。2、提出一种改进的非匀质医学图像分割算法。考虑了传统水平集方法CV模型和LGDF模型全局和局部的分割能力。使用CV模型对图像进行初步分割,当轮廓到达目标边界时,此时LGDF模型构建的局部灰度力起主要作用,吸引轮廓向目标边界运动并最终停止在目标边界。实验表明了本文方法的精确性和有效性。3、提出一种同时进行图像分割和校正偏场区域的方法。首先在一个相对较小的邻域内定义一个局部聚类目标函数,该目标函数的聚类中心有一个乘数因子用来估计邻域内的偏场区域,在整个区域集成该目标函数作为能量函数的局部灰度拟合项;然后,为了全局驱动主动轮廓的演化,在能量函数中添加一个全局灰度拟合项。在曲线演化过程中,全局灰度力和局部灰度力是相互补充的。这个能量函数嵌入到带有正则项的水平集函数中,不需要定期初始化水平集函数。最后,将此方法扩展到三相水平集函数,用于脑MR图像的分割和偏场区域的校正,通过使用三相水平集函数单替四相水平集函数,减少了每次迭单过程中计算卷积的次数,并且提高了效率。本文实现了该算法,并给出了实验结果。