基于轮廓线模型的图像分割方法是近十几年来图像和视频领域研究的热点。因为轮廓线模型可以将待处理问题的先验知识与各种图像处理算法有效地融合在一起，所以比以往的计算视觉理论具有更强的实用性。在Snakes模型的基础上也产生了很多不同的模型算法。自 1987 年 Kass 提出 Snakes 模型以来，各种基于主动轮廓线的图像分割、理解和识别方法如雨后春笋般蓬勃发展起来。Snakes 模型的基本思想很简单，它以构成一定形状的一些控制点为模板（轮廓线），通过模板自身的弹性形变，与图像局部特征相匹配达到调和，即某种能量函数极小化，完成对图像的分割。再通过对模板的进一步分析而实现图像 的理解和识别。
基于 Snakes 的思想，在不同的应用背景下，衍生出多种轮廓线模型。
Kass 等提出的原始 Snakes 模型由一组控制点组成，这些点首尾以直线相连构成轮廓线。在 Snakes 的控制点上定义能量函数。弹性能量和弯曲能量合称内部能量（内部力），用于控制轮廓线的弹性形变。选取适当的参数，将能量函数极小化，所对应的就是对物体的分割。在能量函数极小化过程中，弹性能量迅速把轮廓线压缩成一个光滑的圆；弯曲能量驱使轮廓线成为光滑曲线或直线；而图像力则使轮廓线向图像的高梯度位置靠拢。基本 Snakes 模型就是在这 3 个力的联合作用下工作的。具体过程如下图：
（1）Snakes（balloons） Kass 等提出的基本 Snakes 模型，在没有图像力平衡的条件下， 内部力将把所有控制点收缩为一点或一条直线。也就是说，被分割 物体必须完全包含在 Snakes 的初始位置之内，否则陷在内部的控制点将无法回到物体的边界（下图）。 造成问题的原因在于离散化的数值求解过程。过大的步长会使轮廓线轻易地越过平衡点，无法收敛到物体边界。另一方面在内部力的平衡下，最终只有少数梯度很大的图像点才能影响 Snakes 的形变，而绝对值不很大的边界点将不起任何作用。为了克服这个缺点，Cohen 等提出归一化的外部力，使得不论图像梯度绝对值的大或小，对轮廓线都有相同的影响。Snakes 模型的内部力只能把轮廓线压缩成一个点或者一条直线。Cohen 等引入一个膨胀的外部力，综合在一起成为这样轮廓线可以像“气球”一样膨胀，具有更强的动态行为能力。 （2） GVF Snakes Kass 等提出的基本 Snakes 模型在工程应用中有两个难点：(1) 轮廓线的初始位置必须离真实边界很近，否则难以得到正确的分割 结果。为了解决这个问题，人们提出了 multiresolution 方法、增加外部压力和距离势能等多种改进方法，它们的基本思想都是提高外部力的作用范围，从而引导轮廓线趋向真实边界；(2) 基本 Snakes 模型对无法捕获凹陷边界，尽管也有很多改进方法，但效果都不理想。Xu Chenyang 等提出的 GVF Snake 很好地解决了这些问题。 GVF Snake 的创新在于将传统 Snakes 的图像力（edge map）用 扩散方程进行处理，得到整个图像域的梯度向量场（gradient vector flow filed）作为外部力。经过扩散方程处理后的 GVF 比 edge map 更加有序、更能体现物体边界的宏观走势。由于 GVF 不是一个表达式，无法用能量函数的形式求解，因此GVF Snake 是利用力的平衡条件进行优化。GVF Snakes 具有更大的搜索范围，对轮廓线初始位置不敏感。可以分割凹陷的边界，对梯度绝对值的大小乃至噪声具有更好的鲁棒性。而且它还不必预先知道轮廓线是要膨胀（Balloon Snake）还是收缩（Snake）。
在 Kas 等提出的多边形轮廓线的基础上，为了减少控制点个数、提高模型的灵活性和专用性，又分别衍生出了 B 样条曲线、函数曲线和点分布 3 种新的轮廓线模型。 (1) B-spline Snake 从计算机图形学可知，B 样条曲线仅需要少量的控制点就可以柔和剧烈变化的曲线。而且每一个控制点的移动仅引起一段曲线变化，不会影响整体形状。基本 Snakes 模型的多边形轮廓线就可以看作一次 B 样条。实际使用中，常采用 2 次或 3 次 B 样条曲线作为Snakes 的轮廓线。 (2) Deformable Template Deformable Template 采用参数化的函数曲线描述某一类物体的外形，例如一个表现眼睛的变形模板由两段抛物线和一个圆组成。在参数的驱动下，函数曲线产生一定形变来模仿实际物体。当变形模板与理想模板的偏差和变形模板与图像特征的匹配程度，两者在某种规则下达到最小时就完成了图像的分割。对 Deformable Template 最常用到的是一种新的递归优化算法。它在模板控制点的法线向量上求解图像特征，生成备选的特征模板，再对模板进行一定位移和形变以适应特征模板，由此递归求解。 (3) Point distribution models (PDM) 点分布模型是近几年发展起来的一种强大的图形描述技术。首先要得到一组实际物体轮廓线的样本，进行归一化处理后，为每个样本提取一组标志点。对样本集标志点学习得到的概率分布就是点分布模型。PDM 从样本集中学习先验知识，并把它保存在概率分中，比 Deformable Template 更加通用、灵活。使用 PDM 的典型应用是 Active Shape Model。
Caselles 等和 Malladi 等分别独立提出的 Snakes 测地线模型，给出了一种比导数更加优美而牢固的内部力数学描述。这种模型基于测地流的曲线演化，演化速度和曲率均值相关。好比水漫过崎岖的地表，小的沟槽会被迅速填平，而水表面的曲线长度保持最小。 Level set 方法的特点是构造一个 3 维曲面，和图像平面相交于 Snake 曲线，Level set 通过演变这个3 维曲面而使 Snake 曲线变形。这种升维处理问题的方法虽然复杂一些，但好处是 Snake 曲线的拓扑变化不会造成 3 维曲面的拓扑变化。这就使得 Level set 可以动态地同时检测几个物体，而无须事先知道确切数目。
