Para abordar el problema de la sensibilidad de los algoritmos tradicionales de segmentación por conjuntos de nivel a los contornos iniciales y su baja robustez al ruido, se propone un modelo de segmentación basado en una distribución gaussiana global y una métrica de norma estadística. Este modelo fusiona la información de los bordes de la imagen y la información global de la región, logrando la extracción de los límites del objetivo y mejorando la robustez frente a los contornos iniciales y el ruido. En primer lugar, utilizando una estrategia de fusión de información global, se diseñó un nuevo término de energía global como término de datos. Al mismo tiempo, se utiliza el término de energía global y el término de regularización para conducir el contorno inicial hacia el límite del objetivo, logrando una segmentación precisa de la región objetivo. En segundo lugar, se definió una distribución gaussiana global para la energía de ajuste de la función de conjunto de nivel, considerando la media y la varianza globales como variables. Finalmente, durante el proceso iterativo, la minimización de energía se logra mediante la evolución alterna del conjunto de nivel y la estimación de la media y varianza globales de intensidad. Los resultados experimentales en imágenes sintéticas, reales y naturales muestran que el modelo propuesto presenta buenos efectos de segmentación para ruido gaussiano, ruido salpicado y ruido de sal y pimienta. Además, en términos de precisión de segmentación y tiempo de ejecución del algoritmo, este modelo supera a otros modelos clásicos de contorno activo. El modelo presentado mejora la precisión de segmentación de imágenes con alto ruido, logrando una buena extracción de los límites del objetivo y mostrando un rendimiento superior en precisión de segmentación y eficiencia computacional.

segmentación de imágenes;contorno activo;norma estadística;conjunto de nivel;distribución gaussiana