图像分割是将一幅图像划分成为若干个有意义区域的过程,它是图像处理领域的关键技术之一。模糊C均值聚类算法(FCM算法)是一种基于模糊聚类的图像分割算法,它把模糊理论和图像分割有机地结合起来,更适合描述图像中的不确定信息,因而得到学者们的广泛关注。本文对基于FCM聚类的图像分割算法进行了深入地研究。首先介绍了图像分割技术的基础理论和主要方法,然后详细分析了模糊C均值聚类算法的基本原理和研究现状,在此基础上,针对目前相关研究中存在的一些主要问题,深入系统地开展了基于FCM聚类的图像分割算法研究。首先,为了提高现有的基于模糊C均值聚类算法对噪声图像的分割效果和分割稳定性,提出了一种基于FCM聚类的图像分割新算法。该算法首先利用非局部空间信息构建和图像;然后根据和图像的直方图,自动选择初始聚类中心;最后通过求取目标函数最小值完成图像分割。理论分析和实验结果都表明,该算法有更好的分割性能,分割结果稳定且对噪声的鲁棒性更强,成功解决了现有FCM算法不能有效检测直方图中占比较小类别的缺陷。其次,针对现有FCM算法基于全局特性来分割图像,容易出现过分割的缺陷,提出了一种基于区域合并的FCM改进算法。该算法首先以现有FCM算法的分割结果为初始分割;其次,检测各初始分割区域的空间关系,建立区域邻接图;然后根据由各区域颜色和边缘信息所得的综合距离度量,得到带权重的区域邻接图;最后,依据区域面积和区域间关系对初始分割所得区域进行合并,得到最终分割结果。实验证明,该改进算法能有效抑制现有FCM算法分割结果中出现的过分割,分割性能有较大提升。