近些年,随着人工智能(Artificial Intelligence,AI)掀起的浪潮,计算机技术进入迅猛发展时期,数字图像处理技术被应用到越来越多的不同领域中。作为其中的关键技术之一,图像分割技术不仅为计算机视觉后期的特征提取和目标识别提供了必要的准备工作,而且是连接图像处理和图像分析的关键桥梁。因此,图像分割成为了计算机视觉领域处理中最具有挑战性的技术之一。图像分割的主要任务是根据不同的特征将待分割图像划分为若干个不相交的子区域,并从背景中提取出感兴趣区域(Region Of Interest,ROI)。随着图像分割技术的研究与发展,学者们相继提出了此方面很多的模型和算法。活动轮廓分割算法就是其中较为热门的一类算法,而融入水平集方法之后的几何活动轮廓模型更是受到不少学者的青睐,因为它不仅能进行实现图像多信息的融合,而且能适应自由改变拓扑结构。通过结合水平集方法的核心思想,本文针对灰度不均图像进行深入研究,建立一种新的基于水平集方法的灰度不均图像分割模型。最后,通过大量对比实验证明,本文所提模型能够快速、鲁棒地分割灰度不均匀图像。本文的主要工作与研究内容可概括为以下三个方面:(1)概括了参数型活动轮廓模型与几何活动轮廓模型的基本原理。本文首先介绍了曲线演化的理论、水平集的基本思想、水平集函数的初始化与数值计算。其次,归纳出基于边缘和基于区域的两种活动轮廓模型,并简述了几个经典模型的原理,最后,通过大量的数值计算分析了这些模型在不同类型图像分割时的优缺点。(2)提出了一种基于勒让德多项式的符号压力函数。由于传统的水平集方法无法准确地完成灰度不均匀的图像分割,本文将勒让德多项式引入到传统的符号压力函数中,利用两个光滑函数去代替演化闭合曲线的内外灰度均值,从而得到一种可分割局部或全局的活动轮廓模型(Local or Global active contour driven by Legendre Polynomials,LGLP)。通过与其他几种水平集方法在各类图像上做对比实验,从分割结果中可以看出,LGLP模型不仅能够很好地解决灰度不均匀的分割问题,还具有速度快与鲁棒性强等优点。(3)提出了一种带参数的符号压力函数。为了解决LGLP模型无法处理含有空洞多目标图像的问题,本文通过添加一个参数去控制符号压力函数的收敛范围,同时结合边缘停止函数,建立LGLP~+模型以提高LGLP模型泛化能力,从而有效地解决该问题。与其他模型相比,LGLP~+模型在精度、迭代次数和运行时间上都存在较好的结果,从而定性定量地证明了改进模型的鲁棒性能。