图像分割是图像处理的基础,它是将图像中具有某些独特特征的区域从整体图像中划分出来的过程。几何活动轮廓模型利用了图像底层特征,并有数学基本理论来支持求解,因此成为了图像分割的研究热点。而基于区域的几何活动轮廓模型因其收敛速度快、分割效率高、鲁棒性好等优点,成为近几年的研究重点。针对CV模型不能分割灰度不均的图像、LBF模型对曲线初始位置设置比较敏感、LGIF模型对局部与全局信息的权重选择繁琐、前人改进的LGIF模型分割计算复杂等问题,本文提出了一种基于局部与全局信息的自适应融合活动轮廓模型(Local and Global Information Adaptive Fusion Active Contour Model),简称LGAIF模型。分别在CV模型能量项和LBF模型能量项中引入图像的均值和方差信息,并将两个模型的能量泛函相加,组成LGAIF模型。为了优化LGAIF模型的性能,本文先在其中引入自适应融合系数。LGAIF模型会根据分割图像的灰度均匀性,动态调整局部区域信息与全局区域信息所占的权重,加快曲线演化速度,准确分割出图像的目标区域。然后本文在LGAIF模型中引入了变步长算法。在进行迭代求解时,动态调整时间步长,解决固定步长带来的演化速度慢、易产生震荡现象的问题。此外,本文还在LGAIF模型中引入了新的惩罚项,使水平集函数无需再重新初始化,增强了数值计算的稳定性。最后,将本文模型与CV模型、LBF模型、LGIF模型和前人改进的LGIF模型进行了对比。通过分割时间、迭代次数以及相似度等指标对分割结果进行客观、定量分析。最终结果表明:本文模型不但对初始轮廓曲线位置的选取具有较高的鲁棒性,也提高了分割结果的准确性与分割效率。