Pour résoudre les problèmes de sensibilité des algorithmes classiques de segmentation par ensembles de niveaux aux contours initiaux et leur faible robustesse au bruit, un modèle de segmentation basé sur une distribution gaussienne globale et une mesure de norme statistique est proposé. Ce modèle fusionne les informations des bords de l'image et les informations régionales globales, réalisant l'extraction des contours de l'objet et améliorant la robustesse vis-à-vis des contours initiaux et du bruit. Tout d'abord, en adoptant une stratégie de fusion d'information globale, un nouveau terme d'énergie global est conçu comme terme de données. Parallèlement, le contour initial est conduit à la frontière de l'objet via le terme d'énergie global et un terme de régularisation, réalisant une segmentation précise de la région cible. Ensuite, une distribution gaussienne globale est définie pour l'énergie d'ajustement de la fonction d'ensemble de niveaux, où la moyenne globale et la variance sont considérées comme des variables. Enfin, lors du processus itératif, la minimisation de l'énergie est obtenue par l'évolution entrelacée des ensembles de niveaux et l'estimation de la moyenne globale d'intensité et de la variance. Les résultats expérimentaux sur des images synthétiques, réelles et naturelles montrent que le modèle proposé présente de bonnes performances de segmentation face au bruit gaussien, bruit ponctuel et bruit impulsionnel. De plus, ce modèle surpasse les modèles classiques de contours actifs en termes de précision de segmentation et de temps de calcul. Ce modèle améliore la précision de segmentation des images à fort bruit, réalise une extraction efficace des frontières des objets et démontre de bonnes performances en précision de segmentation et en efficacité de calcul.

segmentation d'image;contours actifs;norme statistique;ensemble de niveaux;distribution gaussienne