数字图像处理技术随着计算机软硬件的高速发展和普及,得到了飞速的发展,已广泛应用于遥感图像分析、通信工程、国防及军事等领域。图像分割作为联系图像处理和图像理解的纽带,已发展成为近年来图像工程领域的研究热点。图像分割技术将图像中属性具有差异性的部分进行分割,并对分割结果中感兴趣的部分进行提取。基于水平集的图像分割方法将平面中的二维曲线转变为三维空间中水平集函数的零水平集,构建水平集函数演化的能量函数,通过求解能量泛函推进曲面的演化,进而得到曲线的演化结果。由于基于水平集的分割方法允许曲线的拓扑结构灵活变换,在图像分割领域表现出优良的性能,作为当前图像分割技术的热门研究方向,吸引了越来越多的科研人员的关注。根据图像分割中所使用的特征的不同,可以将基于水平集的图像分割方法分为基于边界的水平集分割方法、基于区域的水平集分割方法和基于有约束的水平集分割方法。基于有约束的水平集分割方法利用图像的区域信息和形状先验等约束,能够分割灰度不均一、背景复杂、目标遮挡的图像,但引入形状先验的同时,使得计算量大大增加,图像分割的效率下降。本文从降低图像分割时间消耗、提高图像分割效率的角度出发,提出三种方法,具体的创新点如下:(1)提出一种基于形状约束的快速图像分割方法,该算法首先使用基于图像矩的方法将形状先验对齐,然后利用局部保持映射方法将高维空间中稀疏的形状先验映射到低维子空间,并使用核密度估计方法提取形状先验在低维空间的统计信息,将其作为能量泛函的形状驱动项,最后将Chan-Vese模型的能量泛函作为本方法的数据驱动项,待构造完成能量泛函后,求解其对应的格子玻尔兹曼演化方程,通过该方程的演化得到能量泛函的极小值,完成图像的分割。相对于传统的能量泛函求解方法,本方法能够减少图像分割中的时间消耗,大幅度提高图像分割效率。(2)提出一种基于形状约束的显著目标分割方法,该方法首先使用基于图的显著性分析方法得到图像的显著图,并利用显著图对演化曲线进行初始化;然后将图像的显著图分析加入到能量泛函的数据驱动项中,指导曲线演化,能量泛函的形状驱动项构造方式类似于本文所提出的第一种方法;最后综合数据驱动项和形状驱动项,构造能量泛函,求解该能量泛函的最小值。使用显著性分析结果代替手工方式来对图像演化曲线初始化,很大程度上减少了能量泛函求解过程中的时间消耗,同时利用显著性分析结果指导曲线演化,使得演化曲线更快达到目标边界,提高了图像的分割效率和准确性。(3)提出一种基于超像素和图割优化的水平集图像分割方法,该方法首先使用简单线性迭代聚类算法得到图像的超像素,并在每一块超像素中选择部分像素点,利用选取像素点的特征构成能量泛函,然后离散化该能量泛函,将选取的每一个像素点作为图中的一个结点,构建该能量泛函所对应的图,并利用最小割(Min-cut/Max-flow)算法求解图的最小割,即为能量泛函的最小值,最后根据选取的像素点的属性判断其所属超像素块的属性,从而完成图像分割。本方法对演化曲线的初始位置不敏感,图像分割效率高,能够达到全局最优的分割结果,可用于大尺寸图像的批量处理。