图像分割是图像处理领域中最重要的研究课题,图像分割结果的好坏直接决定着后续处理中图像目标提取与识别的结果与质量。目前图像分割方法已经有上千种,但由于图像本身具有复杂性和多样性等特点,至今仍没有一种通用的分割方法能够实现各类图像的准确分割,因此图像分割方法的研究仍然是一个具有挑战性的课题。基于聚类的图像分割算法可以根据图像特征对图像属性进行分析来实现图像的自动分割,该算法的这种优点使得其在图像分割领域得到了广泛的应用。本文深入研究了基于聚类的图像分割算法,主要工作和研究成果如下:首先,简要介绍了传统的基于聚类的图像分割算法,并针对K均值分割算法、模糊C均值分割算法以及基于势函数的自适应模糊C均值分割算法这三种典型的分割方法进行了实验仿真,结合实验结果分析了三种算法的优势及不足。此外,本文还简要介绍了分割算法的客观评价标准,为研究改进算法的可行性提供了客观有力的依据。其次,针对传统的均值漂移算法在分割过程中容易陷入局部收敛使得分割结果易出现过分割的问题,本文提出了一种基于改进的FCM和均值漂移分割算法。该算法首先利用均值漂移分割方法对待分割图像进行初步分割得到初始图,然后利用改进后的FCM算法对所得初始图进行模糊聚类,从而得到最终的分割结果。仿真结果表明,该算法不仅具有传统Mean shift算法的收敛速度快、抗噪性能强等优点,而且有效地解决了过分割问题,达到了理想的分割效果。最后,针对传统的基于区域合并的图论分割算法由于自身的“合并”特点,使得图像分割结果容易产生过分割的问题,本文提出了一种改进的基于区域合并的图论分割算法。该算法先利用区域生长法对待分割图像进行初始化聚类分割,再利用重新定义了权重函数及度量函数的基于区域合并的图论分割算法对预分割后的结果进行二次分割,得到最终的分割结果。仿真结果表明,该算法在保证分割过程中能够充分地利用图像的全局特征的前提下,很好地克服了原始算法易产生过分割的缺点,同时也证明了该改进算法对具有复杂结构目标的图像有较好的分割效果。