图像分割就是指把图像分解成各具特性的区域并提取出感兴趣目标的技术和过程,它是图像分析、识别和理解的基础,是图像处理的一个极其重要的环节,同时也是图像处理技术中的难点。在对图像信息进行分析和处理的过程中,图像分割是最基本的工作,决定着最终的图像分析和图像理解的质量。人们在图像分割方面做了许多研究,但是距解决实际问题的需要相去甚远。由于图像在成像过程中受到投影、混合、畸变和噪声等因素的影响,图像特征在一定程度上就会出现模糊和变形,那么,图像分割问题本身就会具有模糊性,例如:1)光谱的模糊性,主要表现为混合像元以及端元的光谱变异性;2)几何空间关系的模糊性,主要表现为空间数据不确定性、认知不确定性及分析处理不确定性,等。针对以上问题,近年来一些学者将模糊理论引入到图像处理中,应用模糊聚类进行图像分割。文章主要研究的是模糊聚类中应用最普遍的模糊C均值(FCM)聚类及其改进算法在图像分割中的应用。模糊聚类算法具有较强的实用性,但传统模糊C均值聚类算法(FCM)具有对样本集进行等划分趋势的缺陷,没有考虑不同样本的实际分布对聚类效果的影响,当数据集中各样本密集程度相差较大时,聚类结果不是很理想。因此,采用一种基于密度函数加权的模糊C均值聚类算法(DFCM算法),该算法根据数据的自然分布特征(有的数据点周围的数据点多,该点的密度大;相反,有的数据点周围的数据点少,该点的密度小),通过计算每个数据对象的高斯密度函数值并将其归一化处理作为权值,加入传统的模糊C均值聚类算法中。将基于密度函数加权的模糊C均值聚类算法(DFCM算法)应用于图像分割,通过五组实验来证明其有效性。五组实验分别为:对灰度图像的分割、对噪声图像的分割、对彩色图像的分割、对纹理图像的分割以及对遥感影像的分割。实验中分别利用模糊C均值聚类算法(FCM)和基于密度函数加权的模糊C均值聚类算法(DFCM算法)对不同图像进行分割对比试验,实验结果表明:1、对于灰度图像、彩色图像、噪声图像、纹理图像以及遥感影像来说,DFCM算法的收敛性比FCM聚类算法有明显提高。2、改进后的算法(DFCM算法)对噪声的鲁棒性没有增强。3、对于纹理图像,当纹理结构差异较大时DFCM分割效果比FCM算法好;当纹理结构差异较小时,分割效果比FCM算法差,需要后续改进。