强度不均匀性在图像分割和磁共振（MR）图像理解方面造成许多困难。偏差校正是在定量分析之前解决MR图像强度不均匀性的重要方法。本文提出了一种改进的模型，用于分割强度不均匀的图像并同时估计偏置场。在改进的模型中，通过考虑局部区域中测量图像和估计图像之间的差异来定义聚类标准能量函数。通过使用局部区域中的这种差异，改进的方法可以获得准确的分割结果和偏差场的准确估计。能量函数被合并到具有水平集正则化项的水平集公式中，并且通过水平集演化过程来进行能量最小化。提出的模型首先显示为两阶段模型，然后扩展为多阶段模

由于成像设备的材料特性和缺陷，在现实世界的图像中通常会存在噪声。本文提出了一种改进的基于区域的主动轮廓模型-Robust Chan-Vese（RCV）模型，用于噪声图像分割。首先，对于区域中的每个点，根据其附近所有点的强度与该区域的强度平均值之间的差来定义局部能量。然后，对于整个图像域，将全局能量定义为一个数据项，以将局部能量相对于邻域中心进行积分。最后，总能量由水平集公式表示，从中得出曲线演化方程式以实现能量最小化。由于数据项具有核函数，因此考虑了局部区域的强度信息以引导轮廓运动，从而使RCV

本文提出了一种基于全局最小化框架和水平集演化的基于区域的主动轮廓模型，用于磁共振图像的分割和去噪。 基于Nadaraya-Watson估计量和局部图像信息的新区域拟合能量被定义为强制曲线演化。 通过这种改进的区域拟合项，可以对具有噪声和强度不均匀性的图像进行分割和去噪。 受Perona-Malik扩散方程的启发，通过对偶公式定义了保边正则项，以惩罚区域边界的长度。 通过这个新的正则化项，边缘信息被用来提高轮廓在演化过程中捕获边缘并保持平滑的能力。 通过避免对梯度下降法无效的高效对偶算法，将所提出

主动轮廓模型的改进图像分割方法

基于局部高斯拟合的主动轮廓模型利用图像的均值和方差信息来拟合图像信息。与只利用图像灰度均值信息建模的主动轮廓模型相比, 该模型能很好地分割复杂的医学图像。但该模型仅利用了图像的局部信息建模, 因此收敛速度比较慢; 并且在建立能量泛函时, 采用传统的Heaviside函数, 分割精度不高。针对这些缺陷, 在改进Heaviside函数的基础上, 引入全局高斯拟合项, 并且对局部高斯拟合项和全局高斯拟合项的权重系数均采用自适应的方法进行调整, 得到基于局部和全局高斯拟合的主动轮廓分割模型。改进模型不仅