图像是人类获取信息的重要内容。把图像分解成各具特性的区域并提取出有用目标对人们的日常生活和科学研究具有十分重要的作用。但图像在形成、传输和记录过程中会受到诸多因素的影响,要有效地从图像中提取出感兴趣的目标具有一定的难度。因此,研究和发展有效的图像分割技术就显得尤为重要。在图像分割方面,由于图像信息本身的复杂性和不确定性,在处理过程中不可能清楚知道图像中的各个物体和它们的位置,而模糊聚类分析具有描述这种问题的能力,因此将模糊聚类方法应用于图像分割,在一些场合比传统分割方法具有更好的效果。模糊C-均值(Fuzzy C-Means,FCM)聚类算法是模糊聚类分析算法中的一种经典算法,它采用迭代优化目标函数来获得对数据集的模糊划分,具有很好的收敛性。采用FCM算法进行图像分割避免了设定阈值,能解决多个分支的分割问题,适合于图像中存在不确定性和模糊性的特点。FCM算法作为一种无监督聚类算法,聚类过程中不需要人工的干预,适合于自动分割的应用领域。因此,应用FCM算法对图像进行分割的研究已经成为图像处理领域的一个研究热点,具有一定的实用价值。论文围绕模糊聚类算法的改进及其在图像分割中的应用主要做了以下工作:首先,针对传统的模糊C-均值聚类算法没有考虑像素的空间信息,对噪声十分敏感的缺点,对传统的FCM算法隶属函数进行改进。先根据邻域像素的隶属度矩阵来计算出像素和聚类中心的空间距离,然后利用空间距离和欧氏距离来重新确定像素和聚类中心的距离,最后利用新提取的距离特征和改进的FCM聚类算法对图像进行分割。对两种类型噪声图像的实验结果表明,该算法能有效地提取目标图像,对噪声具有较强的鲁棒性,收敛速度快。其次,针对图像分割算法对特征集的计算复杂,对噪声和图像轮廓仍缺乏足够的抑制能力,并且运算量比较大,提出了一种基于快速FCM聚类的图像分割算法。该算法选取图像的灰度直方图峰值作为初始聚类中心,减少了算法迭代的次数,通过图像邻域像素均值和邻域像素中值来影响中心像素的聚类,提高了抑制噪声的能力,并根据图像的统计直方图进行快速聚类,减少了每次运算的时间。实验结果表明,该算法比传统的模糊C-均值算法、基于空间约束的模糊C-均值算法等多种图像分割算法具有更强的抑制噪声的能力,并且分割速度快。最后,分析了算法对分别受高斯噪声、椒盐噪声、混合噪声干扰的图像进行分割时被错误分类的像素点数随α值的变化规律。由于预先根据图像的灰度直方图峰值设置初始聚类中心,迭代次数大大减少,通常经过几次迭代就能达到收敛稳定。随着α值的增加,算法的错分像素点数迅速减少,并且当α值大于4后,错分像素点数没有多少变化。