图像分割是图像处理的关键环节,也是计算机视觉和模式识别的重要前提步骤,所谓图像分割是指将图像分裂成各具特性且互不相交的的区域。聚类作为数据挖掘的分析工具,也是图像分割领域重要的方法之一.从聚类的角度出发,图像分割的可以看作是将所有像素点根据其灰度、特征进行聚类的过程。本文的主要研究内容是以模糊c均值聚类(FCM)为基础的图像分割算法,具体如下:1.详细介绍了图像分割领域内经典的图像分割算法及其相关原理,步骤以及优缺点,总结了图像分割目前的尚存在的局限性及发展趋势。2.综合阐述了聚类分析领域的各种技术方法,详细剖析了FCM算法的算法模型和求解流程,及其在图像分割方向的应用实例。3.针对FCM在图像分割中没有考虑位置信息这一缺陷,提出了一种基于核与局部信息的多维度模糊聚类算法来权衡图像中的噪声和细节。该算法根据局部信息的宏观体现,使用图像滤波技术,生成多幅图像与原始图像一起构成多维度的灰度值向量来替换原始单维的灰度值;根据局部信息的微观体现,将每个像素点与其邻域内像素点的隶属度差异引入目标函数中,得到了更佳的图像分割效果。4.由于人的视觉中最敏感的“梯度”这一因素在FCM算法中并无体现,于是提出了一种基于形态学重建的模糊聚类图像分割算法。该算法利用形态学方法提取图像的视觉认知轮廓;并利用分水岭算法根据图像的梯度幅值将图像预划分成许多小区域进行图像重建;应用聚类算法时,以各个区域特性代替逐个像素点作为聚类入口,同时添加邻区域隶属度差异惩罚项使相邻的区域更易被聚成一类。该算法能够有效分割出图像的显著区域,规避不必要的细节和毛刺。