图像是人们日常交流中一种最常见有效的信息。随着大数据、云计算等新兴技术的发展,每天所产生和获取的图像数据日益庞大,对海量图像数据进行高效分类处理已是迫在眉睫。图像分割是图像分类处理中的关键环节之一,而且近年来基于纹理特征的图像分割在图像处理领域中的地位日益重要。因此,本文从纹理图像分割的纹理特征提取和特征分类等两个方面着手,进行分析研究。具体工作如下:(1)纹理特征提取是进行图像分割的前提。由于纹理模式复杂多变,利用单一的纹理特征提取方法所提取的特征向量进行分割,得到的结果往往不是很理想。本文融合灰度共生矩阵(Gray Level Concurrence Matrix,GLCM)、Gabor小波变换和局部二值模式(Local Binary Pattern,LBP)等三种纹理特征提取方法所提取的特征向量,形成总体纹理特征向量,从而使以上三种单一纹理特征提取方法的优势特性互为补充。经过实验验证,多特征融合的纹理特征提取方法是有效的,并具有一定的普适性。(2)在基于近邻传播聚类算法的图像分割研究中,存在的最大问题就是由于图像中数据样本点数量大,而近邻传播聚类算法需构造数据样本的完整相似度矩阵,将造成普通计算机的内存溢出。针对此问题,本文提出一种集成聚类算法,该算法共有三个层次,第一层从全局角度出发,利用稀疏近邻传播聚类算法进行近似抽样,从而筛选出一部分能够反映数据样本集结构信息的抽样代表点;第二层利用DBSCAN聚类算法对第一层所得到的小型抽样代表点集进行聚类细分;第三层进行集成合并,得到原始数据样本的最终聚类结果。经过实验验证,集成聚类算法可以避免近邻传播聚类算法划分处理大型数据样本集时的内存溢出问题,而且集成聚类算法集成了近邻传播算法和DBSCAN算法的优点,可以自动确定聚类中心并处理各种不同形状特点的数据样本,基于集成聚类算法进行纹理图像分割也可以取得比较理想的结果。(3)对于图像处理中的模糊性问题,模糊C均值(Fuzzy C Means,FCM)聚类算法易于得到理想的结果。但是,FCM算法也存在一些不足:没有顾及数据样本的分散程度和孤立的“噪声”数据样本点对结果的影响。所以本文提出一种基于相对密度的模糊C均值聚类算法(Relative Density Fuzzy C Means,RD_FCM),RD_FCM算法充分考虑了各数据样本点与其相邻数据样本点的相对紧密程度等局部信息,并排除了孤立数据样本点对初始中心的影响。经过实验验证,相较于原始FCM算法,RD_FCM算法的聚类效果和收敛速度得到了提升。