数字图像处理是指利用计算机技术提取出图像中一些适合观察理解和识别分析的信息。图像分割作为数字图像处理域的重要分支,其主要是根据某些图像特征并从背景或其他伪目标中提取出感兴趣的区域,对图像分析和模式识别等学科有着承前启后的作用。因此,将图像分割技术应用在医学图像中,可以为临床诊疗和病理学研究提供可靠的依据,辅助医生做出更为准确的诊断。目前的图像分割方法中,水平集方法由于利用动态的演化曲线处理其自由拓扑变化而被广泛应用。然而部分医学图像中器官组织之间存在灰度不均匀和边界模糊的问题,造成水平集方法分割结果不准确,使准确、有效的无失真分割算法成为医学图像处理领域的一个研究热点。另外,为更好的展示器官组织的完整形态,利用移动立方体算法将分割后的二维图像重建成三维立体图像,但现有的移动立方体算法存在二义性以及计算复杂度高等问题。针对上述问题,本文以边界模糊和灰度不均匀的医学图像作为研究对象,利用基于医学图像的边界信息、区域信息、特征点信息的水平集方法对图像进行分割,然后将分割后的图像利用改进后的移动立方体算法将二维图像重建为三维立体图像,研究的主要内容如下:1.针对医学图像的边界模糊和灰度不均匀问题,提出一种基于信息结合型水平集的医学图像分割算法,通过建立区域信息和边界信息的系数关系,减少系数的设定,增加算法的适用范围,再结合图像特征点的分布信息,利用KL(Kullback-Leibler)散度最大化区域间的距离差异,使演化曲线加速向目标轮廓移动,减小算法中卷积运算的时间复杂度,在保证医学图像分割性能的同时,也提高了水平集算法的分割效率。同时为解决灰度不均匀图像中极值点选择不恰当的问题,提出一种基于动量和随机优化的演化方法,通过结合先前的梯度信息,减少非凸性函数使演化曲线在灰度不均匀环境下陷入局部极小值的可能性,实现对演化曲线移动方向的修正,提高在灰度不均匀的医学图像中水平集算法的分割性能。2.针对传统移动立方体的二义性面会使重建模型出现空洞效应以及计算复杂度高的问题,在原有判断二义性面的双曲线法的基础上,提出一种改进的移动立方体算法,将双曲线等值面函数与二义性面棱的交点替换为双曲线渐近线与二义性面棱的交点,消除了算法的空洞效应。在重建过程中,由于线性插值增大了算法消耗的时间和计算复杂度,将线性插值改进为中心点插值,减少重建时间,提高算法的重建效率。