图像分割是视觉理解的基础,也是计算机视觉中的一个基本问题,并在很多领域得到了应用。由于图像特征和结构的不同,要实现快速通用的图像分割仍然是一个难题。图像分割的研究主要包括：如何选取合适的彩色空间,降低分割算法的复杂度,提高分割算法的抗噪性和通用性等。模糊聚类是一种无监督的分类方法,它可以在缺少先验知识的情况下通过归类具有相似性质的样本实现分类。基于模糊聚类的图像分割方法对样本空间的约束小,分割算法的通用性较好,但是该方法还不完善,主要是因为运算量大,且容易陷入局部极值。本文着重进行了模糊聚类算法用于彩色图像分割的研究,针对其研究现状以及面临的主要问题设计并实现了一种结合边缘检测技术和改进的全局K均值的FCM分割算法。本文的研究工作主要有以下几个方面。对当前几种常用的彩色图像分割方法进行了归纳,新算法的提出目前主要致力于根据图像的具体情况选择不同的方法进行组合。并对彩色图像分割中几种常见的彩色空间各分量意义、与RGB彩色空间的转换方法及各自的优点和适用场合进行了总结,为本文提出的算法选择合适的彩色空间提供了依据。针对聚类分割的抗噪问题,提出进行中值滤波预处理。对基于模糊聚类分析的图像分割方法原理进行了深入的研究,并相应研究了几种重要的聚类算法,为图像分割提供了算法支持。同时对模糊聚类图像分割算法的几个重要参数和所要解决的关键问题进行了相关的讨论和研究,从而指导了新算法的改进方向。本文提出了一种结合边缘检测和改进的全局K均值的FCM分割算法。对彩色图像通过边缘检测提取边缘像素,以压缩第一轮参加聚类的样本：针对聚类算法容易陷入局部极值而导致出现欠分割的问题,对边缘像素样本集使用改进的全局K均值算法进行聚类,获得初始聚类中心；将获得的初始聚类中心用于整幅彩色图像,以减少迭代次数,加快收敛速度,减少运算量。在MATLAB中对本文改进的算法进行了仿真对比,通过实验证明,在保证图像分割效果的同时,本文提出的算法能够有效提高程序运行速度。