图像是人类获取和交换信息的重要途径,利用计算机进行数字图像处理是为了对图像中的目标进行分析,获得目标的客观信息并建立对图像的相关描述。图像分割是一种基本的计算机视觉技术,是对图像进行视觉分析和模式识别的基本前提。由于自然图像容易受到复杂背景、不规则光照变化等因素的影响,往往难以获得稳定的分割结果。一般来说,自然图像包括纹理、颜色和轮廓等信息,在分割过程中需要同时考虑局部和全局因素。本文在回顾总结国内外针对自然图像分割的相关文献的基础上,对流行的图像分割方法进行了分析研究,阐述了自然图像分割存在的问题、研究背景和意义。根据自然图像自身的特点和特殊需求,详细研究了基于活动轮廓模型的图像分割方法和基于视觉特性的显著性分析机制,并结合二者提出了一个新的自然图像分割方法。基于边界的水平集模型对噪声比较敏感,易出现假边缘。受基于区域的活动轮廓模型的影响,将区域整体作为驱动力引入到能量泛函中,形成了一种改进的几何活动轮廓模型。该模型采用统计信息驱动曲线演化,有效地保护了边界信息,使得曲线演化停止在边界位置,从而一定程度上提高分割准确度。由于整个演化过程不需要重新初始化,也不需要计算符号距离函数,计算量明显降低。基于水平集的活动轮廓模型用于图像分割时的一个缺点是易受初始水平集轮廓位置的影响,如果初始化轮廓能从靠近目标物体的周围进行演化,就可以使轮廓演化的次数得以大幅度减少。因此,在改进的几何活动轮廓模型基础上,引入视觉显著图分析机制进行初始轮廓的提取。针对Itti提出的基于视觉注意机制的显著图在应用到自然图像分割的过程中存在的缺陷：即Itti模型去除了原图过多的高频信息,导致分辨率低、物体的边界不清晰。本文提出了一种基于L*a*b*颜色空间的全频显著图分析方法,该方法的输出显著图保存了显著性物体边界的全分辨率显著性,比传统显著图方法获得更多的频率信息,可以更好的提取图像边界信息。最后将得到的显著图使用基于OSTU的自适应阈值方法进行分割,得到二值化分割结果,并根据结果获得初始轮廓。实验证明,本方法在加快了图像分割的速度的同时也避免了图像被过度分割的可能,可以较好地提取目标区域,在分割结果、速度和复杂度上较之其他基于活动轮廓模型的自然图像分割方法都有明显的进步。