刘国奇，蒋 优，常宝方，茹琳媛，宋一帆，李旭升

河南师范大学 计算机与信息工程学院，河南 新乡 453007

图像分割是图像处理中重要的步骤之一，是模式识别和图像分析的重要工具[1]。传统的图像分割不能得到自然的分割效果，但是主动轮廓模型（active contour model，ACM）可以综合考虑与图形内容有关的约束条件，通过定义能量函数，获得更加自然的分割结果，因此它在图像分割领域应用范围较广。根据模型的构造形式可以将模型分为两类：基于边缘的主动轮廓模型[2-4]和基于区域的主动轮廓模型[5-8]。基于边缘的主动轮廓模型依靠图像边缘信息控制曲线演化，在目标边界处，曲线停留在目标边界。由于这些模型依赖图像梯度，因此对噪声敏感。基于区域的主动轮廓模型利用曲线内外的统计信息来构造能量函数并驱使轮廓演化[8-9]。基于区域的主动轮廓模型通常分为基于全局信息的主动轮廓模型和基于局部信息的主动轮廓模型。

CV（Chan-Vese）模型是基于全局的主动轮廓模型，该方法基于Mumford-Shah（M-S）模型，将分割问题转化为能量函数最小化问题[10-11]。由于CV模型中假设每个区域的灰度是均匀分布，导致目标边缘较弱时该模型容易出现边界泄漏[12]。为改进此问题，Zhi等[13]提出基于显著性驱动的区域边缘水平集模型（saliency driven region-edge-based level，SDREL）。SDREL模型在CV模型的基础上加入边缘检测函数，同时引入显著性映射提高模型提取目标的能力。由于SDREL模型依赖显著项，因此SDREL模型对灰度不均匀图像分割结果不理想。基于局部信息的ACM利用了更多图像细节，能够改善灰度不均匀图像的分割。……