针对电力设备在线监测系统中红外图像分割效果差, 速度慢等问题, 提出一种改进的 Chan-Vese模型的红外图像分割算法。首先, 通过引入边缘能量项, 一方面增强模型的局部控制能力, 另一方面有效抑制了轮廓偏移。其次, 利用径向基函数取代了传统的长度正则项, 简化了计算。然后, 通过引入内部能量项省去初始化过程, 节省了算法的运行时间。经实验验证, Dice重合率(Dice similarity coefficient, DSC)平均值为 0.9808, 错误分割率(ratio of segmentation error, RSE)平均值为 0.025, 算法运行时间比其他模型总体平均值低 66.8%。改进后的 Chan-Vese模型分割算法的 Dice重合率和错误分割率等均优于 GAC-CV、CV-RSF、区域型水平集和 Multiphase-CV模型分割算法。

为解决工业计算机层析成像(CT)图像的伪影和弱边缘问题,提出一种基于小波变换的图像区域可伸缩拟合能量最小化分割方法,实现图像边缘的精确定位,从而提高图像测量精度。首先,采用小波变换对图像进行预处理,降低金属伪影。然后,采用所提方法精确分割图像,提高感兴趣区域边缘的定位精度。实际数据测量结果表明,所提方法可有效降低图像弱边缘的影响,测量相对误差低于0.7%,相较Chan-Vese算法,测量精度提高了1.4倍,满足实际测量需求。

为了解决传统Chan-Vese(CV)模型难以快速、精确提取金相晶粒的问题,提出一种基于改进区域项CV模型的金相图像分割方法。该方法利用倒数交叉熵阈值选取准则函数替代传统CV模型中能量函数的区域项,构造新的水平集模型。改进模型能够使分割前后图像的倒数交叉熵达到最小,更精确地分割噪声影响严重且局部灰度变化较大的金相图像;考虑到倒数交叉熵计算会增加算法复杂度,通过引入最大绝对中位差,自适应调整曲线内外的能量权重加速曲线的演化,添加距离规范项以避免水平集函数的重新初始化,加速模型的收敛。实验结果表明,与多种模型相比,改进模型在分割结果和分割效率方面均具有明显优势。

针对肝癌消融计算机断层扫描(CT)图像分割中肿块区域存在成分多变和弱边界问题, 为准确提取肝肿块轮廓, 提出了一种改进Chan-Vese模型的水平集算法。利用肝与肿块的高斯均值、标准差有显著差异的特点, 通过高斯混合模型区分目标与背景的像素隶属, 结合边缘梯度信息驱动的长度与形状约束项构造能量泛函, 以肿块先验知识确定目标的初始轮廓, 促使活动轮廓收敛在目标区域边缘。通过肝CT图像实验数据集验证算法, 实现肝上已灭活或部分灭活的癌组织和碘油沉积等构成复杂轮廓提取, 实验结果表明, 算法平均相似度值大于0.87, 其周密性与精确度均优于局部Chan-Vese和局部二值拟合模型。

液晶显示屏Mura缺陷是一类较难检测的显示缺陷, 它具有对比度低、背景亮度不均匀、边缘模糊等特点。针对传统Chan-Vese模型（C-V模型）对其分割时存在误分割及速度慢的问题, 本文提出一种改进的C-V模型。首先, 依据曲线演化理论, 简化了传统C-V模型的图像数据力驱动项, 这样减少了迭代过程中的计算量, 提高了分割的速度。其次, 为了平衡图像的亮度不均匀, 在模型中引入一个新的能量项, 该能量项与轮廓曲线内、外部之间的亮度差有关, 提高了分割的准确性。最后, 在算法的实现过程中引入迭代停止的判别式, 通过设定分割的精度可以实现迭代的自动停止, 并有利于正确地分割出目标。实验结果表明, 本文提出的改进C-V模型能够准确分割背景不均匀的Mura缺陷, 并且具有较快的速度。

目前基于水平集的图像分割方法很难给出基于全局极值的算法终止条件，而大多采用事先设定迭代次数的方法。本文提出了一种改进的Chan-Vese模型，通过添加水平集函数约束项，使得新模型抑制了水平集函数的取值范围，最终收敛至全局极值，并以此作为算法终止条件，无需事先设定迭代次数。实验结果表明，新模型在其终止条件下，分割结果正确，与传统Chan-Vese模型相比，新模型的收敛速度快3~6倍，且通用性更强。

针对传统的Chan-Vese模型(C-V模型)分割背景不均匀的TFT-LCD Mura缺陷速度慢的问题，将水平集函数与符号距离函数的偏差作为能量项引入C-V模型，去掉了符号距离函数重初始化步骤；为了平衡图像的整体亮度不均匀，在传统的C-V模型中引入轮廓曲线内、外部区域之间的亮度差项，提高了分割准确性。在数值实现上，采用无条件稳定的半隐差分格式，适当加大步长，加速曲线演化过程，相比于有限差分格式和AOS格式，分割速度明显提高。实验结果表明，本文提出的算法能够准确地分割背景不均匀的Mura缺陷图像，并且分割速度快。

针对红外图像特点，提出了一种小波多尺度改进Chan-Vese 模型的红外图像分割算法。首先，利用小波多尺度分析的良好信噪分离性能提取红外图像的有效边缘信息，将边缘信息添加到Chan-Vese 模型的能量函数中从而提高模型的局部控制能力。同时增加内部变形能量项，约束水平集函数逼近符号距离函数，避免了水平集函数的重新初始化过程，改进了Chan-Vese 模型。然后，从小波变换的顶层低频子带图像开始逐层采用改进的Chan-Vese模型分割图像，并将分割结果通过插值方式传递至下一层作为分割的初始轮廓，最终实现红外图像的分割，具有抗噪性能强和运算速度快的特点。

本文通过形状约束方程(组)与一般主动轮廓模型结合,将目标形状与主动轮廓模型融合到统一能量泛函模型中,提出了一种形状保持主动轮廓模型即曲线在演化过程中保持为某一类特定形状。模型通过参数化水平集函数的零水平集控制演化曲线形状,不仅达到了分割即目标的目的,而且能够给出特定目标的定量描述。根据形状保持主动轮廓模型,建立了一个用于椭圆状目标检测的统一能量泛函模型,导出了相应的Euler-Lagrange常微分方程并用水平集方法实现了椭圆状目标检测。此模型可以应用于眼底乳头分割,虹膜检测及相机标定。实验结果表明,此模型不仅能够准确的检测出给定图像中的椭圆状目标,而且有很强的抗噪、抗变形及遮挡性能。

Chan-Vese模型是一种优秀的简化Mumford-Shah模型.然而Chan-Vese模型是以两个同质区域为基础建立的,这并不符合红外图像的特点,导致直接应用该模型处理红外图像时可能失败.针对这一问题,提出了一种适用于红外图像边缘检测的改进Mumford-Shah模型,并对该模型中目标边缘的保持、停止准则的建立及算法速度的提高作了详细讨论.实验表明,改进Mumford-Shah模型能够克服Chan-Vese模型在对红外图像边缘检测时不能跨越过渡区域的缺点,有效地检测出目标边缘.