数字图像处理已经成为现代社会中识别,追踪等必不可少的工具。图像分割是数字图像处理中最重要的组成部分之一。是进行自动的模式识别,视频追踪,图像配准,目标重建等的基础。目前,已经有许多种图像分割方法广泛应用到计算机视觉领域。水平集方法作为一种基于主动轮廓模型的经典的图像分割方法,以其独特的优势：自由的拓扑和强大的数学基础,已经成为一种比较流行的实现精确图像分割的工具。然而,区域型水平集方法由于其在捕捉区域灰度信息方面的优势,已经成为一个研究热点。本文基于区域型水平集方法,对目前现实生活中常见的灰度不均匀图像,自然纹理图像等做了大量的图像分割方法的研究。最重要的是,针对难以准确分割这些图像的问题,提出了一系列有效且可行的图像分割算法。1)提出了一种基于分段常量逼近和多尺度结构的新颖的水平集方法。通过转换灰度不均匀模型使得图像逼近分段常量,从而使得分段常量分割准则可以有效的分割灰度不均匀图像。更进一步的,考虑到灰度不均匀的局部变化和局部区域的可靠性,提出一种高斯金字塔卷积策略以便构造不同尺度的局部邻域。从而,得到一种多尺度结构以及利用多尺度结构去模拟分段常量图像。这时,根据分段常量分割准则,得到了不同尺度的局部区域条件下构建的常量描述器,用常量描述器对图像进行模拟描述从而构建了多尺度结构的数据项。为了平衡多尺度结构下得到的灰度信息和融合多尺度结构的数据项,求解了不同尺度下的数据项平均值。最终,利用水平集方法构造了基于多尺度结构的理想的能量泛函。通过展示大量的实验结果,证明了相对于传统经典的模型,提出的方法对于灰度不均匀图像能够得到更好的分割效果。2)针对复杂自然图像的分割,提出一种新颖的基于灰度和纹理信息的模型。在这个模型中,主要融合了灰度信息和纹理信息两方面的特征。接着,通过水平集方法得到理想的分割结果。首先,提出了基于全局划分算法的灰度项。相比传统的CV模型,这里的灰度项能够更好的捕获灰度信息。尤其是,当满足一个特定条件时,CV模型仅仅是灰度项的一个特例。其次,本文提出了一种自适应尺度的局部变化程度算子,并用其提取纹理特征。这里,局部变化程度算子和自适应尺度算法分别提取了纹理的幅度变化成分和频率变化成分。通过融合自适应尺度算法和局部变化程度算子,得到了新颖的自适应尺度的局部变化程度算法。不同于传统的滤波器,它自适应的融合了局部灰度变化的幅度和频率成分以至于能够准确的提取不稳定的纹理特征。最后,通过水平集方法融合灰度项和纹理特征项从而构造出灰度--纹理模型。3)提出一种局部最大描述差异特征为每一个像素位置确定基于多尺度高通滤波器条件下的最大响应,从而,将其融合进水平集能量泛函构造多尺度的局部模型。首先,我们构建了多尺度的局部区域描述器并用来描述不同尺度的局部区域。这时,基于高通滤波的多尺度局部区域描述器,提取了一个所谓的局部最大描述差异特征。接下来,局部最大描述差异特征和基于CV模型架构的三种经典的水平集模型分别进行有效的融合。其中,我们利用局部最大描述差异特征削弱了灰度不均匀的影响和增强了目标和背景区域之间的灰度对比度。最终通过最小化水平集能量泛函,实现了多尺度的分割方法。局部最大描述差异特征为每一个像素确定了理想的局部邻域尺度,最主要的是这个所确定的尺度可能会随着轮廓的演化而变化,从而增强了演化轮廓逼近目标边界的能力。最后,通过实验证明了提出的多尺度局部模型对于分割严重的灰度不均匀图像是非常准确和高效的。4)通过引进力矩竞争和半监督聚类思想提出了一种新颖的水平集图像分割方法。不同于传统的基于力竞争的水平集方法,力矩竞争取代了力竞争驱动轮廓的演化。首先,提出一个所谓的三点标签计划在图像中标记三个独立的像素点。类似于半监督聚类方法中样本标签,利用种子像素集为每一个像素构建聚类距离。这时,通过结合灰度聚类距离得到有效的力臂。不同于传统的方法,全局灰度差异产生了竞争力,同时力臂对力施加了一定的权重,从而构建了力矩竞争。进一步的将力矩融合进水平集能量泛函从而驱动轮廓向目标边界位置演化。其中,力臂充分利用了三点标签计划的优势从而约束了力矩竞争。除此之外,提出的方法很好的结合了全局统计信息和样本标签信息使其对初始化轮廓的位置和参数设置都不敏感。最后,通过展示大量的实验结果和实验分析证实了提出的方法能够很好的分割一些复杂图像包括噪声图像,三相图像,灰度不均匀图像和纹理图像。