图像分割是指将图像分成互不交叠的有意义的区域,它是后期图像处理、分析以及应用的一个重要环节,是图像处理和计算机视觉中的重要技术,并且已在工业、军事、医学图像以及机器人视觉领域有着广泛的应用。到目前为止,已经有许多的基于图论的图像分割算法,其中归一化割(Normalized cut,Ncut)算法的应用十分广泛。该算法准则是一个全局优化的准则,对它的研究主要是将其直接应用于像素上来进行图像分割,计算量比较大,不利于实时图像处理。均值漂移(Mean-Shift)算法是一种非监督的聚类图像分割算法,该算法的优点是收敛速度快、对噪声具有鲁棒性。然而,它的不足之处在于容易产生过分割现象。针对上述算法各自特点,本文设计了一种基于Mean-Shift与Ncut方法的图像分割算法,该算法首先利用Mean-Shift对图像进行预处理,然后再利用Ncut算法进行区域聚类。这种算法可以减少计算量以及噪声的干扰,有利于实时图像处理。本文主要研究内容如下:1.介绍了均值漂移的算法原理,其中包括了它的基本形式、扩展形式以及算法步骤,讨论了算法的收敛性,分析了基于Mean-Shift的图像分割算法。最后通过仿真实验证明该算法的三个参数( hr , hs ,M )的选择对分割结果影响比较大。2.介绍了图谱的相关基础理论,基于图论的两种图像分割准则(cut与Ncut),归一化割算法(Ncut)的求解。随后介绍了基于图论的2-way Ncut和K-way Ncut算法。最后通过仿真实验验证了K-way Ncut算法中对参数K以及权值矩阵W中(σI ,σX)的选择非常重要。3.在分析了Mean-Shift和Ncut这两种算法的基础上,为了提高Ncut算法的分割效果以及速度,本文设计了一种基于区域的Ncut分割算法,在算法设计过程中,我们首先利用Mean-Shift算法对图像进行预处理,由于Mean-Shift算法处理后的图像会被分成很多过分割区域,我们将这些分割区域利用一些具有代表性的点来代替,构造一幅无向加权图来描述这些点之间的关系,再利用Ncut算法直接应用于这些区域来进行区域聚类,而不像传统的Ncut算法应用于图像像素。实验结果验证了算法的可行性和优越性。4.本文还对权值矩阵W做了改进,传统的N cut算法中权值矩阵W有两个控制节点值域差异及空域差异的敏感程度的参数(σI ,σX)。这两个参数的选取非常重要,需要人工手动调整才能得到很好的分割效果,因此限制了算法的通用性。针对这个问题,本文设计了一种新的自适应权值矩阵,提高了算法的通用性,并通过仿真实验证明了利用该权值矩阵W后,本文算法的分割效果好,稳定性高。