图像分割作为计算机视觉的基础,同时也是图像分析和图像理解的重要前提,但同样也是一个经典难题。图像分割通过赋予每个像素不同的类别标签来使得相同类别标签的像素具有相似的特征,如灰度、颜色、纹理、亮度等。由于图像像素类别归属的不确定性和模糊性,使得图像分割问题具有极大的困难性。因此,众多国内外图像处理研究人员在图像分割领域付出了巨大的努力,而其中模糊聚类由于其能够很好地描述图像的不确定信息,使得应用模糊聚类思想来解决图像分割问题的算法得到迅猛发展。模糊C均值聚类(Fuzzy C-means,FCM)算法由于具有运算简单且收敛速度快的特点,使得其成为应用范围最为广泛的模糊聚类算法。但是FCM算法抗噪性能差的缺点使得该算法难以应对图像被噪声干扰时的图像分割问题。为此,诸多学者从多种角度对FCM算法聚类结构进行改进,或引入新的约束变量来描述样本对于聚类中心构造的影响,或通过引入局部信息与非局部信息来增强算法的抗噪性能。其中,可信模糊C均值聚类(Credibilistic fuzzy C-means,CFCM)在FCM算法中引入可信度来处理离群点的问题。但是将该算法直接应用于图像分割领域时,未考虑图像像素本身的特点,导致其算法对噪声异常敏感。本文针对现有的可信模糊聚类算法存在的缺陷进行深入研究,提出了一系列的改进鲁棒可信模糊聚类算法,主要研究内容如下:1、针对可信模糊聚类算法对噪声信息敏感的缺陷,首先将利用邻域像素空间信息以及灰度强度信息构造的改进像素与聚类中心相似度距离测量方法嵌入到可信模糊聚类算法中;其次,将均值滤波图像信息嵌入目标函数中来构造空间信息约束项;同时,将直觉模糊熵的思想也应用到聚类过程中来提高算法的抗噪鲁棒性。最后,提出了一种鲁棒可信直觉模糊聚类算法来解决可信模糊聚类算法的缺陷。2、针对已提出的可信直觉模糊聚类算法的抗噪性能较弱的问题,考虑将局部信息引入现有的可信模糊聚类算法中来保证算法对于噪声信息的抑制能力以及细节信息的保留能力。此外,对于改进后的像素与聚类中心相似度距离测量方法存在的参数选取问题,利用邻域窗口像素强度的不一致性程度来构造自适应权因子解决参数选择问题。最后,提出了一种鲁棒可信模糊局部信息聚类算法来解决可信模糊聚类算法存在的较弱抗噪鲁棒性的问题。3、考虑到空间距离相近的像素具有很高的特征相似性,因此同时将均值滤波图像信息和中值滤波图像信息引入到鲁棒可信模糊局部信息聚类算法的目标函数中,以增强算法的抗噪鲁棒性。此外,对公茂果等人提出的局部信息权因子进行改进,提出了更为合理的邻域像素作用权重因子。最后提出了一种融合多种局部信息特征的可信局部信息模糊聚类算法,充分利用像素的邻域空间信息。而且,利用核空间距离测度来替代欧式距离空间测度,提出了利用希尔伯特核空间构造思路的可信模糊局部信息聚类算法。4、由于可能性模糊聚类算法能够较好地处理样本集合中的离群点,为此考虑将可能性模糊聚类思想融入可信模糊聚类算法中,将可信模糊聚类和可能性模糊聚类都能处理离群点的优势相结合,构造一种鲁棒可信聚类与可能性模糊聚类算法相结合的聚类算法。该算法采用模糊隶属度与可能性聚类中典型值相乘的思路来应对图像被强噪声干扰的情况。此外,对于邻域空间中的像素的作用权重,利用邻域窗口中像素的灰度最大值、灰度均值、灰度中值构造了新的局部信息权因子,该权因子能够很好地应对图像被高斯噪声、椒盐噪声干扰的情况。