随着计算机的普及、互联网与多媒体技术的发展,人们越来越多地利用计算机来帮助人类获取与处理视觉图像信息。为了辨识和分析图像中的感兴趣区域,图像分割(Image Segmentation)技术应运而生,并成为图像领域研究的热点问题之一。本论文围绕基于模糊C-均值聚类(FCM)图像分割中的一些不足,进行了深入的研究,主要内容包括:⑴针对传统FCM中使用欧氏距离、初始聚类数目随机给定等不足,提出了一种基于特征散度的自适应FCM图像分割算法。该算法引入特征散度、Laws纹理测度与特征提取、自适应选择初始聚类数目来进行图像分割。实验结果表明,该算法对大多数图像都是简单、有效的(特别是纹理图像),整体性能优于现有FCM图像分割方案。⑵考虑到图像中每个像素点的作用不同,提出了一种基于ReliefF和FCM的彩色图像分割算法。该算法首先选择比较接近人类视觉系统的色度、亮度和饱和度(HIS)空间。然后应用ReliefF来求取每个像素点的权重,进而约束FCM的隶属度,使惩罚项的加权因子来控制惩罚作用的强弱,从而实现了FCM算法的鲁棒性研究。仿真实验结果表明,本文算法能够较好地分割含噪声的彩色图像。