1、工業(yè)計(jì)算機(jī)拓?fù)鋽鄬蛹夹g(shù)(ICT)已經(jīng)被廣泛的應(yīng)用于定位工件的內(nèi)部缺陷，測(cè)量面積、體積等幾何尺寸等各個(gè)方面之中。然而，僅僅借助二維切片圖像去分析判定工件缺陷的性質(zhì)是很困難的，得到的結(jié)果也不準(zhǔn)確。因此，對(duì)工業(yè)CT的體數(shù)據(jù)直接進(jìn)行分割的算法近來(lái)得到了越來(lái)越廣泛的關(guān)注。
　　基于活動(dòng)輪廓的CV模型在圖像分割方面取得了很好的效果，但該模型的抗噪效果較差。本文通過(guò)對(duì)CV模型進(jìn)行一系列的改進(jìn)，增強(qiáng)了模型在分割過(guò)程中對(duì)噪聲的抑制能力，隨后將模型推

2、廣到三維情況并用于工業(yè)CT體數(shù)據(jù)的分割。
　　目前，對(duì)于典型的兩種噪聲，高斯白噪聲和椒鹽噪聲，對(duì)應(yīng)兩種典型的去噪算法，中值濾波算法和高斯濾波算法。這兩種算法存在一個(gè)共同的難點(diǎn)，就是濾波參數(shù)的選擇。具體來(lái)說(shuō)，對(duì)于中值濾波器，窗口大小的選擇決定了濾波的效果，濾波器的窗口越大，對(duì)于噪聲的抑制能力越強(qiáng)，然而圖像的細(xì)節(jié)和邊緣難以被很好的保留下來(lái)，導(dǎo)致在對(duì)圖像進(jìn)行后處理的時(shí)候會(huì)損失很多重要的信息;反之，如果窗口太小，圖像中的很多噪聲都不能被良

3、好的去除，導(dǎo)致圖像依然受噪聲的干擾?，F(xiàn)在，有很多對(duì)中值濾波的改進(jìn)算法，比如對(duì)強(qiáng)噪聲有良好抑制能力的自適應(yīng)中值濾波模型AMF，對(duì)細(xì)節(jié)和邊緣有很強(qiáng)保留能力的倒數(shù)加權(quán)中值濾波模型IWMF，可以根據(jù)不同的實(shí)際需要應(yīng)用到不同的場(chǎng)合中去。
　　對(duì)于高斯濾波器，方差的選擇決定了濾波的效果，類似中值濾波器，方差越大，高斯濾波器抑制噪聲的能力增強(qiáng)，但在濾波的同時(shí)對(duì)圖像邊緣和細(xì)節(jié)的保留能力減弱，反之，方差越小，圖像的細(xì)節(jié)和邊緣在一定程度上被保留下來(lái)的

4、同時(shí)，濾波器對(duì)噪聲的抑制能力減弱了，很多噪聲殘留在了去噪后的圖像。
　　本文將CV模型和去噪模型結(jié)合在一起，用CV模型演化過(guò)程中的演化曲線來(lái)控制濾波器以及濾波器參數(shù)的選擇。針對(duì)典型的脈沖噪聲，本文提出了一種結(jié)合自適應(yīng)中值濾波算法的CV模型，以下簡(jiǎn)稱MCV模型。該模型在離演化曲線遠(yuǎn)的區(qū)域選擇去噪能力更強(qiáng)的AMF中值濾波器，離演化曲線近的區(qū)域選擇細(xì)節(jié)保留能力更強(qiáng)的IWMF中值濾波器。針對(duì)高斯白噪聲，本文提出了結(jié)合自適應(yīng)高斯濾波算法的C