图像分割是图像分析和模式识别的重要问题,其分割结果的好坏直接影响着图像后续的质量分析以及判别分析。图像分割的本质是像素的聚类问题,以像素之间的相似性作为划分准则对像素进行分类,使相同类中的像素相似性尽量高,不同类中的像素相似性尽量低。模糊聚类算法是经典的无监督聚类算法,它可以合理描述像素归属的模糊性和不确定性,因而广泛应用于图像分割。模糊C-均值聚类(FCM)作为典型算法,因其易于实现、收敛速度快等优势得到了众多学者的研究和改进。半监督学习是目前机器学习和数据挖掘领域的一个研究热点,以图像分割为应用背景,半监督学习能够充分挖掘和利用图像的先验信息来使图像的分割结果更加高效、准确,吸引了众多学者对该领域进行研究,并取得了一定的研究成果。基于目标函数的半监督FCM算法是在FCM的目标函数中嵌入先验信息半监督正则项,使得聚类过程能在先验信息的监督指导下顺利进行。本文针对FCM算法及半监督FCM算法目前还存在的问题展开系统研究,主要研究内容如下:由于彩色图像携带了较多的可视化信息,彩色图像分割成为一个重要的研究领域。面对彩色图像分割应用,采用基于马氏距离的模糊聚类算法,在其基础上首先利用像素点邻域窗口信息重塑噪声点以提升算法抗噪性能,其次利用彩色图像红、绿、蓝3通道分量构造三维直方图,统计出现频次不为零的灰度级组数目,用于取代像素值进行聚类从而提升算法实时性能,提出彩色图像鲁棒聚类分割快速算法。针对待分割图像像素受到污染或数据不充分情形,对FCM算法的目标函数采用邻域像素先验隶属度均值进行半监督约束,指导聚类过程到一个好的搜索空间,获得适合图像分割需要的半监督聚类目标函数;同时在目标函数中嵌入像素局部邻域信息正则项,采用最优化数学方法推导得到一类空间信息约束的半监督聚类迭代表达式;最后利用局部高斯核函数将像素样本从欧式空间映射至高维核空间,获得嵌入像素局部信息的核空间半监督模糊聚类分割算法。为了进一步改善灰度图像在噪声环境下的分割性能,提出两种改进的半监督FCM聚类分割算法。首先,将像素邻域的空间信息、灰度信息和非局部几何结构信息相结合并定义一种加权距离,用于取代半监督FCM目标函数中的距离度量方式,采用最优化数学方法获得一种高性能的鲁棒半监督聚类分割算法,并对其收敛性进行证明;其次,提出结合引导滤波的半监督模糊聚类分割算法,一方面采用空间邻域加权距离进行相似性度量,另一方面对含噪图像进行引导滤波预处理,将其结果作为像素的先验信息,同时结合像素类别的先验信息,一致对聚类目标函数进行半监督约束。改进的半监督FCM算法在强噪声干扰下能有效分割灰度图像,能满足图像分割的抗噪需求。