图像分割是从给定图像中获取到感兴趣的目标或区域的过程,是图像处理和图像分析的重要步骤,同时也是一个比较有挑战的难题。目前图像分割技术已被广泛应用于计算机视觉,图像分析,医学图像处理,遥感技术和地理信息系统等各领域。图像的分割方法一般可以分为阈值检测法、边缘检测法,区域分割法和特征向量聚类方法。本文主要研究模糊C均值聚类(FCM)算法,它是特征向量聚类方法中研究应用比较广泛的。FCM算法已被证明对图像分割是有效的,它的成功主要是由于对图像的每个像素引入了模糊隶属度。相比硬分割方法,FCM能够保留原始图像的更多信息。但是模糊C均值聚类算法在进行图像分割时依然存在许多问题,例如难以确定聚类数目、对噪声和异常值敏感、没有充分利用图像的空间信息等等。所以,模糊C均值聚类算法在处理噪声图像时的分割效果不尽理想。通过对图像分割的背景研究后,分析研究了各种图像分割方法的现状和存在的问题,在本文中我们选取了模糊C均值作为文中提出的几种算法的理论基础,针对图像分割的特点和模糊C均值聚类算法在图像分割中存在的问题,对模糊C均值聚类算法进行了改进和扩展,本文的研究工作如下:(1)由于FCM算法只考虑了图像的像素信息,没有考虑图像的空间信息,导致它对噪声极度敏感,使得FCM算法对噪声图像不能进行很好地分割。为了解决这个问题提出了一种改进的FCM算法,该算法是通过将图像的空间邻域信息转换为一个新的相似性度量值来实现的。(2)标准的FCM算法必须通过先验知识来估计以确定聚类数目。因此,当聚类的数目没有事先给出时,采用了自动模糊C均值聚类算法(AFCM),将图像的像素分成不均匀的区域。为了得到更有效的分割质量,以自动模糊C均值聚类算法为基础提出了一种改进的算法,该算法采用了将图像的空间信息结合到隶属度函数的方法。(3)针对前人提出的一种用于处理噪声图像的模糊聚类图像分割算法(RFCM)进行了改进。由于该算法依旧采用了欧氏距离的计算方法,因此它仍然缺乏对噪声和异常值的抑制能力。因此提出了利用一种基于核函数测量距离的模糊聚类图像分割算法,它进一步扩展了RFCM算法,通过内核的方法将RFCM扩展到相应的KRFCM算法。该算法通过对原始数据空间的鲁棒性的非欧式距离的测量方法来得到新的目标函数。(4)针对阴影C-均值(SCM)算法存在的缺陷—没有充分利用图像像素的空间信息,基于传统的SCM算法,结合图像像素的局部空间信息,提出了一种改进算法—局部空间SCM算法。因为改进的算法考虑了像素的邻域影响,局部空间SCM(LSSCM)算法对噪声具有更好的抑制能力。然而,当图像中的噪声水平很高时,图像中的邻域像素也将具有异常的特征值。因此在局部空间SCM算法的基础上提出了了非局部空间信息结合SCM的聚类算法。