万小萍 顾 勇（重庆大学生物工程学院，重庆 400044）

2（重庆警官职业学院，重庆 400039）

引言

图像分割是图像处理过程中具有挑战性的关键步骤，其目的在于将一幅图像按照一定的特征（如颜色、纹理等）分成若干有意义的互不交叠的同质区。在各种分割方法中，由Kass等在1988年提出的可变形模型［1］，由于其能很好的分割出兴趣目标的形状，近年来成为图像分割中最常用的方法之一。可变形模型在许多场合都能得到满意的结果，但是在有些情况下，如图像中存在大量的噪声、目标物体有缺损或含有错误信息时，大部分不含先验知识的算法都很难得到有意义的分割结果。

此时要想得到满意的分割结果，其中一个比较好的解决办法是在分割过程中融入形状先验知识。目前，已有大量相关文献报道，其中基于水平集［2］，Mumford-Shah（M-S）模型［3］和先验形状［4］等具有一定的代表性。2002年，Cremers等介绍了一种将形状先验和M-S模型结合的统计模型［5］，这种模型将曲线显性地表示为一条封闭的样条曲线。2003年，Tsai等提出的形状分割模型［6］，基于Leventon的形状模型［7］和Chan和Vese提出的M-S简化模型，即C-V模型［8］。该隐性形状先验利用一个位置矢量和一个形状矢量实现先验形状的变化。位置矢量用于空间变换，形状矢量则是通过将符号距离函数隐性表示的形状训练集进行主元分析（principal component analysis，PCA）得到且用于表示形状差异的变化。2006年，Bresson等采用了和Tsai一样的隐性先验形状表示方法［9］，不同之处在于，Bresson的模型在分割图像的过程中，通过形状、边界和区域三个函数来调节图像信息和形状先验知识在不同分割场合中的作用力度。……