准确的图像分割是医学图像分析和疾病诊断的前提和基础。但强度不均匀性、多组织干扰、边界模糊等是医学图像所面临的共同问题,它们对医学图像的准确分割产生巨大的挑战。为克服上述问题,本文针对医学图像的不同特征,建立不同的能量泛函,进而提出以下三个图像分割模型,有效提高医学图像分割的准确性。彩色图像中每个通道的强度信息都具有独特性,且大都受到强度不均匀性的干扰,这增加了彩色图像分割的复杂性和挑战性。为了准确地分割彩色图像,本文结合偏磁场信息、局部强度信息和水平集方法,提出一种准确的彩色图像分割校正模型。将强度不均匀性看做偏磁场,基于所有通道中的图像强度,该模型在能量泛函中定义数据拟合项。为了确保分割轮廓更加平滑,该模型使用边界检测函数作为权重,定义加权长度项,以约束分割曲线的长度达到最短,同时促进模型更容易地寻找到目标边界。结合数据拟合项和加权长度项,该模型的能量泛函以二区水平集的格式给出。应用分裂Bregman方法快速地极小化该能量泛函,显著地提高了模型的计算速度和稳定性。将本模型应用于彩色医学图像和自然图像,实验结果表明,本模型在准确地分割彩色图像的同时,可以消除图像中强度不均匀性,给出更加均匀的校正图像。与传统分割模型之间定性和定量的对比实验,验证了本模型在分割准确性、校正效果以及分割速度等方面的优越性。而且,本模型对初始轮廓线和噪声都具有稳定性。在牙齿图像中,牙齿边界较弱,且目标牙齿与周围的牙槽骨、牙龈等组织的图像强度十分相似,导致准确地提取牙齿边界变得异常困难。为了克服这些问题,本文提出一种基于形状先验信息的牙齿图像分割模型,该模型的能量泛函包括图像数据项、形状先验约束项、长度项和正则项。其中,形状先验约束项的定义是模型中最至关重要的一步。该模型使用一系列描述牙齿大致位置和轮廓的椭圆曲线作为形状先验信息,并将其与分割水平集函数之间的误差定义为形状先验约束项。在分割过程时,形状先验约束项强制分割曲线只在给定的形状先验信息附近移动,并使得最终的分割轮廓与形状先验信息尽可能接近,从而确保牙齿分割的准确性。之后,应用最速下降算法求解能量泛函的极小化问题。将该模型应用于牙齿图像,实验结果表明,该模型可以排除周围组织的干扰,准确地分割牙齿边界,而且准确性显著高于其他模型。另外,该模型对初始轮廓线的形状、位置等变化也不敏感。左、右侧脑室,杏仁核与海马体是大脑磁共振图像中的重要组织结构,它们强度相似、位置相邻且彼此接触,组织边界十分不清楚,仅仅依靠强度相似性这一原则难以准确地分割它们。因此,本文提出一种基于相邻区域互斥的双水平集分割模型,以准确、独立地分割两个邻近组织。该模型引入两个水平集函数,根据两个水平集函数共同分割的区域面积定义相邻区域互斥项,以避免公共分割区域的产生,保证邻近组织分割的独立性。同时,我们手动地抠取目标组织的大致轮廓作为先验信息,在能量泛函中定义先验约束项,确保模型只分割我们想要的组织。结合局部区域数据项、区域互斥项、先验约束项、长度项以及正则项,本文给出该能量泛函的水平集格式,并应用最速下降算法求解其能量极小化问题。将该模型应用于大脑磁共振图像,实验结果表明,该模型可以准确、独立地分割大脑中的两种邻近组织。与其他模型的对比实验结果验证,在分割邻近组织的应用上,本模型比传统模型具有更高的准确性。另外,合成图的测试实验验证了,本模型能够准确分割具有强度不均匀性的图像,而且对噪声具有稳定性。