图像分割是从图像处理到图像分析的关键步骤。图像分割的目的是将图像分割为多个互不重叠且又各具特性的区域,主要应用于图像压缩、目标提取、模式识别等。以往的图像分割技术主要应用于灰度图像,随着计算机技术的高速发展,彩色图像的获取越来越简单,应用越来越多。彩色图像分割逐渐受到关注。本文在前人对彩色图像分割问题的大量研究成果上,本文提出了一种将K-MEANS算法、蚁群算法以及分水岭算法相结合的分割方法。该方法首先利用蚁群算法的全局搜索性和鲁棒性的优点并结合边缘信息,初始化K-MEANS算法确定聚类中心和聚类个数。然后运用基于改进的分水岭算法对原始彩色图像进行预分割,从而把原始彩色图像数据分成一些具有彩色一致性的子集；最后对这些子集的中心进行K-MEANS聚类。实验结果表明：由于子集数量远小于原始图像像素数目,使聚类样本数量明显减少,提高了聚类速度,可以自动、有效稳健的对彩色图像进行分割。同时在聚类中以特征距离替代欧式距离,增强了算法的鲁棒性。主要工作如下：1.以特征距离作为待聚类样本间差异的测度。2.将彩色图像从RGB色彩空问转换到HSI色彩空间。3.利用蚁群算法获得初始聚类数目和初始聚类中心。4.对基于改进的分水岭算法初始分割结果进行K-MEANS聚类。与传统的K-MEANS聚类算法相比,本文提出的方法有效的克服了聚类数目必须依据先验知识提前设定、最初的聚类中心是随机选取的、聚类的效果好坏依赖于距离判定公式的缺陷。