动态轮廓是图像切割的一个热点，从早期的snake，就有非常多的优化版。測地线动态轮廓（GAC）就是当中之中的一个。整体来说，其摒弃了snake对參数的依赖。并增加了水平集，使得轮廓曲线更贴近目标物的拓扑结构。
经典的动态轮廓模型（activecontour model）的能量公式为：
（1）
当中，α。β，λ为正值常量。
当中前两项控制曲线的平滑度。第三项吸引曲线向物体边界靠近。极小化该E(C)能量函数得到切割轮廓。
VICENT(參考1)指出第二项有无对切割结果影响不大（即β=0）。
而最大化第三项，也是最小化g(|▽I|)2 。
则简化为：
（2）
当中，
依据一系列的黎曼积分定理的推导（參见1和2）。将（2）式转换为：
（3）
为了求解上式，採用梯度下降法，具体推导參见1（附B），有
（4）
当中，上式增加水平集后的GAC为：
水平集{μ：μ(t)=k}表示闭合的曲线C
（5）
当中。c为常数， k是曲率, N是曲线的标准法向量
且 N= -（▽μ/|▽μ|）
总体来说：
GAC模型借用了水平集。结合经典的active contour 模型，以图像的梯度为驱动力。在图像梯度最大处，达到收敛。其攻克了传统的AC不能处理变形过程中拓扑的变化，如不能处理多物体检測。以及须要对參数的预设置等问题。可是。其在处理模糊图像，或者纹理图像时。效果还是不理想。
參考：
1. Geodesic Active Contours（VICENT）
1. 函数列的黎曼积分极限定理的应用
2. Geodesic Active Contours （Waterloo）
3. 局部熵驱动的GAC模型在生物医学图像切割中的应用（对于驱动力的更换有思考）
4. PDE Based Image Processing （matlab 代码）