图像分割方法是一种从图像中提取感兴趣信息的手段,已经成为从图像处理到图像分析的关键步骤。经历了几十年的发展与变化,基于各种理论的图像分割方法被提出。其中,基于聚类分析的图像分割方法是随着聚类算法的不断发展而产生出来的一种图像分割方法。基于聚类分析的图像分割方法主要分为基于硬划分聚类的图像分割方法和基于软划分聚类的图像分割方法。对于图像分割问题,它们的核心思想是根据像素间特征的相似程度对像素进行划分已达到图像分割的目的。它们之间存在了互补的关系,基于硬划分聚类分析的图像分割方法在解决具有简单内容的图像分割问题上能够体现更高的计算效率：而基于软划分聚类分析的图像分割方法能够解决基于硬划分聚类分析的图像分割方法很难解决的存在不确定性分类和具有复杂内容的图像分割问题,弥补了后者的不足。然而,对于聚类算法本身来说,仍然存在大量的问题,影响了图像分割的计算效率和分割效果。本文分别就硬划分聚类算法在图像分割上的计算效率问题和软划分聚类算法在图像分割上的分割效果问题分别进行了分析和研究。在硬划分聚类算法中,为了避免在搜索局部最优划分过程中陷入局部最小,国内外相关研究提出了很多方法,其中,J均值算法是一个具有逃离局部最小能力的局部搜索启发式算法。对比其它局部搜索启发式算法,它能够产生更小的聚类误差。但是,它付出了更高计算复杂度的代价。尤其是在实时图像分割中,它不能满足计算效率的要求。为此,在本文中,提出了一个快速的J均值算法,通过子划分的最小类内方差或最大类间方差对局部最优解的搜索范围进行约束。在搜索局部最优解之前从全部邻域解中产生出一个候选的邻域解,在这个候选的邻域解中搜索局部最优解。快速的J均值算法经过了公式推导和理论论证,证明了它能够降低原来算法的计算复杂度,提高算法的计算效率。在实验中,采用了标准数据集和真实的航空遥感图像对快速的J均值算法进行测试。实验结果验证了它在逼近或者等于J均值算法产生的结果的基础上,减少了计算时间,特别是在真实的航空遥感图像分割实验中,相比J均值算法,它能够满足实时图像分割的要求。在软划分聚类算法中,FMM采用了贝叶斯理论对图像中的像素进行划分,提供了一种用简单密度模拟复杂密度的有效的数学方法,得到了广泛的关注和研究。在最近二十年里,一些国内外相关文献指出FMM没有考虑将邻域像素间的空间关系引入到先验概率分布中导致分割结果对噪声的干扰非常敏感。为此,SVFMM被提出,其首次引入了邻域像素间的空间关系。在SVFMM的基础上,大量的相关研究被提出来加强先验概率分布中的空间信息,促使SVFMM对噪声具有更强的抑制能力。在本文中,提出了一个MDSVFMM。在MDSVFMM中,为每个像素定义了一个后验概率能量函数,通过利用重新定义的形态学膨胀函数对每个像素的后验概率能量函数进行膨胀,间接地对每个像素的后验概率分布进行膨胀,使邻域像素具有相似或着相同的后验概率分布。通过将后验概率分布赋予先验概率分布,邻域像素间的空间关系被引入到像素的先验概率分布中。为了验证MDSVFMM的性能,采用了示例图像,人工合成图像,医学核磁共振图像和医学计算机断层图像作为实验对象。实验结果表明了,MDSVFMM相对于对比模型具有更高的聚类精度和更强的噪声抑制能力,同时,MDSVFMM要求更少的估计参数并且更容易被实现。此外,在SVFMM中,固定的空间邻域使引入到先验概率分布中的空间信息对于局部空间关系的变化具有较弱的适应能力。在本文中,在MDSVFMM的基础上,提出了一个SVNSVFMM。在SVNSVFMM中,定义了像素的空间邻域模式,即边缘点模式和非边缘点模式。通过LVQ神经网络对每个像素的空间邻域模式进行判别,属于边缘点模式的像素的空间邻域不变,而属于非边缘点模式的像素的空间邻域变大,在不同的空间邻域中,适应于局部空间的空间信息被引入到像素的先验概率分布中,从而使先验概率分布更适应于局部空间中变化的空间关系。在实验中,采用了示例图像,人工合成图像和真实的热红外图像对SVNSVFMM进行测试。实验结果表明了,对比其它SVFMM,SVNSVFMM对于更高水平的噪声具有更强的抑制能力。