O Modelo de Contorno Ativo (Active Contour Model, ACM) tornou-se uma das ferramentas mais usadas para segmentação de imagens, mas ao processar imagens com níveis de cinza não uniformes, os algoritmos existentes são relativamente lentos e causam uma queda acentuada na precisão da segmentação. Para isso, este artigo propõe uma norma estatística para segmentação de imagens combinando informações locais da imagem. Primeiro, utilizando um novo modelo de campo de viés, a imagem é modelada decompondo a não uniformidade dos níveis de cinza em um componente da imagem observada. Comparado ao campo de viés multiplicativo tradicional, o módulo de campo de viés aditivo permite que a função de energia extraia informações de textura da imagem a partir de uma nova dimensão. Em segundo lugar, adota-se uma estratégia de fusão de informações locais para calcular mapas de ajuste de características dentro e fora do contorno. Por fim, usa-se uma norma estatística para caracterizar a similaridade entre os mapas de ajuste de características e os mapas de características originais. Portanto, a nova função de energia projetada trata imagens com fundos complexos utilizando características locais em camadas, consistência espacial global e representações abstratas multiescalares. Os resultados experimentais mostram: para segmentação de imagens médicas não homogêneas, o modelo proposto requer apenas 50 iterações, enquanto outros modelos precisam de mais de 100; o tempo de execução do algoritmo é apenas 8 segundos, enquanto os demais modelos levam muito mais tempo. Ao mesmo tempo, o algoritmo proposto foi avaliado usando métricas objetivas: o valor médio do índice DC é 0,9851, do índice FP é 0,0052, do índice JCS é 0,9706, do índice P é 0,9947 e do índice TP é 0,9757. Este modelo pode extrair mais informações da estrutura de textura e possui alta robustez contra a não uniformidade de níveis de cinza e o contorno inicial.

contorno ativo;norma estatística;campo de viés aditivo;conjunto de níveis;não uniformidade de nível de cinza