图像分割是图像处理和计算机视觉等领域中的一个经典问题,尤其在图像分析、理解和识别中是一项关键技术。因为图像分割结果的质量直接影响后期进行的分析、识别和解释的质量,所以图像分割在计算机视觉、图像编码、模式识别、医学图像分析等很多领域有着实际的应用。在众多的分割算法中,基于聚类分析的图像分割算法是图像分割领域中一类极其重要和应用相当广泛的算法,而聚类分析中用得最普遍的算法是模糊C-均值((FCM:fuzzy C-Means)聚类算法。模糊c-均值(FCM)聚类分割算法是基于对模糊目标函数的优化基础上的一种数据聚类方法,主要目的在于将向量空间的样本点按照某种距离度量划分成c个子空间,聚类的结果特征是一个数据对聚类中心的隶属程度,该隶属度用一个数值来表示。但是FCM聚类算法本身也存在一定的缺陷。一方面,由于图像样本的数据量n很大(一幅256×256的图像,n=65536),使用FCM对大样本数据进行聚类时将耗费大量的时间和空间资源。另一方面,FCM的抗噪功能或者说鲁棒性较差,利用FCM算法进行图像分割时仅利用了灰度信息,而没有考虑像素的空间信息,因而分割模型是不完整的,造成FCM算法只适用于分割噪声含量很低的图像。基于以上原因,本文就如何合理利用空间信息进行了重点研究,并针对FCM算法在图像分割应用中的不足之处进行了改进,主要研究可归纳如下:首先,对标准的模糊C均值聚类图像分割算法进行了深入的探讨,研究了模糊聚类图像分割方法的初始类别数的选取、初始类中心和初始隶属度矩阵的确定等问题。其次,对现有的基于灰度信息和空间信息的FCM图像分割算法进行了研究,并在此基础上提出了一种改进的FCM聚类算法:将空间信息融入到标准FCM算法中,将图像从像素空间映射到其灰度直方图特征空间,实现了快速聚类。然后在快速的FCM聚类基础上,充分利用像素的邻域特性,对隶属度函数做一定改进,构造新的隶属函数,对图像进行聚类分割,将该算法用于图像的分割实验,实验结果表明了该算法的有效性以及对噪声的鲁棒性。最后,从邻域隶属度约束的角度出发,提出一个新的聚类目标函数,得到基于邻域隶属度约束的模糊均值聚类图像分割算法。将该算法用于图像的分割实验,实验结果表明,随着惩罚项系数的取值不同,其对图像分割产生的效果也会不同。