图像分割是图像分析的重要组成部分,也是计算机视觉中的一项重要任务,可以将目标从背景中分离出来,为后期图像处理提供技术支撑,如故障识别、目标识别、变化检测、区域定位等。图像分割在计算机视觉中具有重要意义。其中主动轮廓模型由于能够提供平滑、封闭的边界轮廓作为分割结果而得到了广泛的应用。然而,当试图对噪声较大的图像进行分割时,图像容易受到污染,分割效果较差。现有的方法在计算能量函数时假定每个区域的像素是独立的。这一基本假设使轮廓运动对噪声敏感。此外,层次集方法的实现复杂且耗时,限制了其在大型图像数据库中的应用。目前的水平集方法大多是在全图像域上进行计算;然而,对远离演化轮廓的像素点进行计算对于获取目标边界没有意义,导致计算复杂度增加。因此,本文提出了一种基于混合能量和Fisher准则的无监督主动轮廓模型用于图像分割。为了实现图像分割的准确高效,对局部区域信息进行了变换,并引入了基于全局区域信息和局部信息的主动轮廓模型的Fisher准则。这种方式对主动轮廓模型进行了优化。此外,将目标区域和背景区域像素的类内方差作为目标区域和背景区域的能量权重,可以自适应调整区域能量的比例,提高模型的分割精度。在此基础之上,改进了主动轮廓模型。而计算能量权重是以一种类内方差来计算的。即,将目标区域和背景区域像素作差,对于调整区域能量其鲁棒性非常强。所提出方法不需要先验知识,而且不需要人工干预。最终,图像的分割精度大大提高。实验结果表明,该方法在没有语义先验的情况下,具有较高的分割精度和竞争力。