图像分割作为图像处理和计算机视觉的基本问题之一,是实现工程上从图像处理到图像分析,进而完成图像理解的关键一环。图像分割的好坏对图像理解有及其重要的影响,分割出的区域可以作为后续特征提取的目标对象。目前,图像分割的研究涉及计算机科学,模式识别,机器学习,心理,人工智能,通信传输等,其产生的新成果在极大程度上推动着相关领域的发展。图像分割的方法和种类很多,其中模糊C均值聚类算法(FuzzyC-means clustering algorithm,FCM)是应用最为广泛的算法。传统的FCM算法建立在传统模糊集上并采用欧氏距离建立目标函数,并且算法未考虑像素的空间邻域信息,易受异常值影响,在分类质量上存在缺陷,并且该算法对于图像中的噪声较敏感,聚类效果不佳。目前有很多学者提出了改进算法,以提高算法的鲁棒性,从而使算法具有更好的分割效果,如核模糊C均值聚类算法(Kernel fuzzy C-means clustering algorithm,KFCM),通过将输入空间的样本映射到高维特征空间进行聚类,此方法聚类效果更好,收敛速度更快;基于空间信息的模糊C均值聚类算法(Spatial fuzzy C-means clustering algorithm,FCM_S)和核空间邻域信息模糊 C 均值聚类算法(Kernel spatial fuzzy C-means clustering algorithm,KFCM_S),将图像的邻域信息引入到聚类目标函数,每一次迭代计算将隶属度和聚类中心融入了样本邻域信息,消除噪声影响。为了更好的提高噪声干扰图像的鲁棒性,本文提出核空间隐马尔可夫随机场FCM算法、核空间自适应非局部均值鲁棒分割算法和基于特征选择的FCM算法。本文的主要工作陈述如下:1、介绍模糊集理论、FCM算法、KFCM算法,分析FCM聚类分割算法对图像进行聚类分割时出现错分、误分所导致的图像分割不清晰的不足。结合隐马尔可夫随机场模型(Hidden Markov random field model,HMRF),并将算法推广到核空间,提出了核空间隐马尔可夫FCM算法,以概率来描述图像像素之间的空间信息,并且对于隶属度函数通过引入先验概率函数进行隐马尔可夫优化,从而获得最优解逼近的隶属度并对其最大化来获取分割标记,充分考虑图像的随机性,使像素样本聚类更为准确、鲁棒性更好。2、将非局部邻域信息嵌入FCM分割算法,对算法的抗噪性能进一步的改善,但是,由于非局部均值滤波参数是固定的,该算法对不同强度噪声干扰图像的分割缺乏普适性。针对不同强度噪声的干扰选择合适的滤波程度参数,以此来提高算法的抗噪声干扰性能,本文提出核空间自适应非局部均值鲁棒分割算法。相比FCM、KFCM、FCM_S、KFCM_S评价指标PSNR值,本文算法比其它几种改进算法提高了至少1-2db。本文算法得到的图像聚类分割结果更稳定、分割区域的一 致性更好、抗噪鲁棒性更强,满足噪声图像分割的需要。3、针对传统的模糊C均值聚类算法是一种无监督的方法,没有对训练集预先标上类别,不能准确确定哪些数据是有用的,哪些数据是没用的,从而不能得到准确的分类。融合特征显著性概念及其标记选择方法,提出了基于特征选择FCM算法。通过对图像样本数据的特征选择有效提高算法的分类性能,从而提高算法的抗噪声性能,以满足含噪声图像分割的需要。