图像分割是一种重要的图像分析技术,它不仅得到人们广泛的重视和研究,也在实际中得到大量的应用。近年来,在计算机视觉领域涌现了大量的图像分割算法。其中基于能量函数的分割算法具有良好的特性,它通过建立数学模型,将分割问题转化成数学寻优问题,能够清楚地描述要解决的问题,而且与求解问题的算法分开。基于能量函数的分割方法根据能量函数的类型和寻优过程的不同而区分。通常主要的两大类是:(1)优化一个定义在连续轮廓或连续曲面的函数;(2)优化一个定义在一系列离散变量上的开销函数。本文重点研究了第一类的水平集模型和第二类的Graph cut模型在图像分割中的应用。(1)我们提出一个新的Graph cut模型,该模型利用随机森林算法强的学习和分类性能,来构建Graph cut能量函数,以及相应的图结构。然后通过最大流算法优化我们的模型得到分割结果;(2)对于水平集模型,我们首先针对Chan-Vese模型提出一个避免求解偏微分方程的快速实现模型,该模型利用每次求得的灰度均值来进行演化,不仅运算量大大减少,同时保持了水平集算法的良好拓扑性能。最后,我们提出一个基于张量场的水平集模型。一方面,该模型利用张量结构能够分割纹理图像;另一方面,该模型使用一个区域可变项,能够注重局部信息,从而对于灰度不均匀的图像也能得到比较好的分割结果。