随着大数据时代的到来,信息呈现出爆炸式的增长,如何从这些海量的数据中提取我们需要的信息显得尤为重要。作为我们认识世界和获取信息的重要途径,各种图像处理方法受到了极大的关注。图像分割作为图像处理中非常关键的一个环节,聚类是核心方法之一。由于获取信息的手段多种多样,不能保证得到信息的准确性,模糊环境下的基于聚类方法实现图像分割方法应运而生,在这些方法中,模糊C均值算法(Fuzzy C-Means,FCM)在许多模糊聚类算法中脱颖而出,并因其实现简单,分割效果良好的特点广泛应用于图像分割之中。但是模糊C均值算法不包含像素的空间信息,也是较为明显的弊端之一,并且难以抑制受到噪声的影响,其次是初值需要进行人为设置,存在随机性。而一些改进中增加了一些约束项或空间信息,容易造成算法运行时间过长,降低了收敛速度,导致算法效率不高。基于上述原因,本文对国内外的现有的改进算法从融入空间信息方面、增强算法抗噪性方面、降低算法时间复杂度方面以及将一些模糊集进行推广后的改进算法等六个方面进行了总结,对在克服FCM算法对噪声敏感的同时提升算法的效率加快算法的收敛速度进行了研究,并将改进的算法应用在图像分割当中。取得的主要研究成果如下:(1)为了解决FCM易陷入局部最优的问题,本文提出新的直觉模糊熵公式,并用其求样本特征权重,然后采用贪心思想从特征权重较大具有代表性的点中选取初始聚类中心。引入直觉模糊熵公式求特征权重得到特征矢量,以特征矢量为中心计算欧氏距离定义区域密度,只在高密度且相互之间距离尽可能远的区域选取初始聚类中心,之后用汽车数据集的算例进行实验验证,检验算法有效性和可行性。(2)为了使算法处理模糊问题的能力更强,本文将模糊集推广到直觉模糊集,并将核诱导距离扩展到直觉模糊核诱导距离代替欧氏距离,通过竞争学习的思想引入抑制因子,利用犹豫度生成并用来修正隶属度,并在算法中加入加权的局部空间和灰度信息的约束项修正目标函数。然后,对算法效果进行图像分割实验验证,分割对象分别包括原始图像和加噪的原图像,得到实验结果分析。(3)由于中智集处理模糊边界信息比直觉模糊集更有优势,本文将直觉模糊集更进一步推广到中智集,用能够自适应生成的距离测度公式作为抑制因子修正真隶属度,得到自适应抑制式中智FCM算法,然后对改进算法进行图像分割实验验证,分别对原始图像和加噪的原图像进行分割,得到实验结果分析。(4)将本文中提出的两种改进算法分别对高斯噪声图像和椒盐噪声图像进行分割,并与FCM算法、IFCM算法分割得到的效果图进行分析比较,验证算法的优越性。同时引入评价指标,定量分析算法的改进效果,验证本文提出改进算法的有效性。