图像分割是图像处理和机器视觉中的基础性环节,近年来受到了广大学者和研究人员的高度重视和密切关注。活动轮廓模型是近二十年来发展起来的新兴学科,目前已成为图像分割领域的研究热点。现有活动轮廓模型,在处理复杂场景(包括灰度不均匀性和噪声的场景)图像分割问题时,会遇到初始轮廓线的选取较敏感,模型求解的结果容易陷入局部极小解和分割速度慢等问题。针对存在的这些问题,本文在经典活动轮廓模型基础上,结合模糊连接度,偏移场估计,全局凸方法和分裂Bregman算法,有如下工作:1.提出一种结合空间位置信息的活动轮廓模型。利用交互式信息和模糊连接度构造空间位置信息项,将其自适应融合到改进的CV模型,得到一种新颖的交互式图像分割方法,并采用分裂Bregman得到新模型的最优解。新模型可以较好保持图像中目标边缘的几何特性,而且在相对较少的交互式信息情况下,也能提取出目标。2.为了处理含有灰度不均匀性场景中图像分割问题,建立一个结合加性偏移场的统计分割模型。新模型建立在原始图像的对数变换形式,因此偏移场变为相加的形式,这样更简单易于实现。首先建立加性偏移场下密度函数估计,然后为了加强模型的抗噪声性,充分利用邻域像素信息共同描述中心像素密度函数分布。在求解模型中一般应用水平集函数处理优化问题,然而水平集方法产生较高的计算代价,同时实现水平集的分割算法时需要重新初始化。新模型采用分裂Bregman算法快速求解问题。3.为了处理含有灰度不均匀性的多目标分割问题,在结合加性偏移场两相统计分割模型基础上,提出结合加性偏移场多相统计分割模型。新模型充分利用邻域像素信息,并且将带有偏移场的概率密度函数与统计分割模型结合提出结合加性偏移场的多相统计分割模型,并建立有效的数值算法,采用分裂Bregman算法快速求解。为了说明方法的有效性,采用医学图像测试新模型,而且将新模型当前流行模型进行比较展示其优势。