遥感图像分割,就是指将遥感图像分成各具特性的区域并提取出感兴趣的目标的技术和过程,在此基础上才有可能对目标进一步利用。因此遥感图像分割是由遥感图像处理到遥感图像分析的关键步骤。近年来,以马尔科夫随机场模型作为先验模型的无监督图像分割已经得到了广泛应用,实践证明该模型有利于提高图像分割质量。但是由于环境和传感器的影响,遥感图像具有灰度变化大、纹理复杂并且边界模糊等特点,经典的马尔科夫随机场模型并不能很好的处理分割中的相干噪声等问题。本文针对遥感图像斑点噪声大,边界模糊的特点,在分割中引入了结合模糊集和马尔科夫算法的模糊马尔科夫随机场的无监督算法,以SAR图像为实验对象证明了该方法的准确性。论文的主要工作和创新如下:①分析了基于模糊集和基于马尔科夫随机场的分割算法,这是图像分割中的两大主要工具。深入分析对比了这两种算法在遥感图像分割上的优劣。②为了弥补以上两种方法各自的不足,将模糊马尔科夫随机场引入遥感图像分割中,提出了基于模糊马尔科夫随机场模型在遥感图像分割算法中的具体构架,使得图像中的各点均从属于某个模糊类,而再是属于指定标签的确定类。该模型结合了分割问题中的随机性与模糊性,以模糊随机变量为基础,从软分割的角度更合理地获取了图像的先验知识,较好地贴合了图像的特点,因而使得图像分割过程中使用的先验知识更为准确。③在设计模糊马尔科夫随机场模型的势函数时,本文以传统的多逻辑模型(MLL)为基础,建立了模糊MLL模型,这种模糊模型下的势函数定量的从两点的距离入手,比经典的势函数只是定性的从两点的异同入手更能细致的描述先验模型,比经典的Gibbs随机场的势函数更细腻的刻画了像素间的细微差别。④以往的模糊分割技术都把精力放在了图像的灰度特征上,这对两类以上的目标分割具有明显的缺陷,为了更加准确的区分图像中的不同区域,本文在MAP-MRF框架下提取出图像的灰度特征和纹理特征,以各自的特点分别建模,实验证明对于多值图像效果明显。⑤模糊马尔科夫随机场模型和经典马尔科夫随机场一样都存在一个问题,就是分割过程高度依赖从图像特征中估计出来的参数,虽然此方法使用到的参数较少,但是为了实现无监督分割,分割过程必须具备参数学习的能力而无需训练数据。为此本文使用了修正的EM算法来估计特征参数,再用模拟退火算法获取全局最优解。⑥在实验中,选择了具有代表性的模糊C均值算法和经典的马尔科夫随机场算法作为对比,通过针对SAR图像的分割结果图和求得的最大错分率证明了模糊马尔科夫随机场算法更好的处理了边缘的混叠,明显减少了斑点噪声,使分割结果更加准确。⑦在实验中作者发现由于模糊类的引入,导致搜索空间变大,如若仍然采用模拟退火这种全局优化算法的话虽然效果很好,但是分割时间会明显变长。考虑到为了提高分割的效率,本文将优化方案进行了修改,提出了SA-ICM结合的组合优化方法,虽然分割结果的正确率有稍许下降,但是将分割速度提高了近3倍,以适应不同的分割要求。⑧在对算法进行实现中,使用VC++ 6.0设计完成了SAR图像分割系统,该系统将本文所用的各种算法加以实现,并进行了各种指标的对比。