图像分割是图像处理和分析的重要基础,在模式识别和机器视觉领域中得到了广泛的应用。图像分割的本质就是将图像中不同类目标按照要求划分成不同区域,用于解决相似特性像素的分类问题,使同类像素更可能划分为一类。由于在成像过程中存在信息损失,人眼视觉对相邻灰度级的认知存在不确定性,导致灰度、纹理和边缘等产生模糊,而模糊聚类能很好的处理图像的这种不确定信息。为此,近年来国内外众多学者提出了一系列基于模糊聚类的分割算法,对图像分割研究产生重要的影响。模糊C-均值聚类(FCM)作为模糊聚类算法的基础,其样本聚类隶属度仅能表达样本属于某类划分的确定性,无法表达样本在聚类过程中的不确定性。将图形模糊集引入模糊聚类提出图形模糊聚类分割算法,以此解决算法样本的聚类划分问题,它不仅考虑了样本属于某类的确定信息,而且也考虑了样本不属于某类的否定信息,以及样本归类时的未知信息,用于提高算法的分类精度,引起众多学者的广泛研究与应用。本文主要是在现有的图形模糊聚类分割算法上进行改进,将样本像素的邻域信息、希尔伯特再生核空间以及模糊局部信息引入目标函数中,提出一系列的新算法。主要研究内容如下:1、由于聚类过程中存在初始化不当的问题,针对这一不足,本文基于图形模糊聚类算法,构造幂积型表达式将其引入该目标函数中,对图形模糊聚类算法中的隶属度、中立度、和拒分度三参量进行正则化处理,保证算法能在有限迭代次数中完成收敛,并将邻域均值像素灰度信息嵌入改进的图形模糊聚类目标函数,提出一种高性能的鲁棒图形模糊聚类分割算法,进一步增强算法聚类的有效性以及对噪声的鲁棒性。2、针对鲁棒图形模糊聚类分割算法对非凸不规则数据难以有效聚类的问题,本文将核函数引入该算法目标函数中,构造一种基于核空间的鲁棒图形模糊聚类分割算法,并使用新的线性加权和图像代替原图像,对减小图像受噪声的影响取得了较好的效果。为进一步增强算法的鲁棒性和自适应性,将当前像素的邻域像素方差作为自适应因子,提出一种自适应鲁棒核空间图形模糊聚类分割算法,以便自动调节算法对噪声强弱的抑制能力。3、针对鲁棒图形模糊聚类算法难以满足强噪声干扰下大幅面图像快速分割的需要,本文提出一种快速鲁棒核空间图形模糊聚类分割算法。该算法将欧式空间样本通过核函数映射至高维空间,再采用待分割图像中像素邻域的灰度和空间等信息构建线性加权滤波图像,对其进行鲁棒核空间图形模糊聚类,通过引入当前聚类像素与其邻域像素均值所对应的二维直方图信息,以此提升算法的实时性能。4、为了增强图形模糊聚类对噪声干扰图像分割的鲁棒性和有效性,本文提出一种基于局部信息的图形模糊聚类分割算法。该算法嵌入改进的模糊局部信息因子来影响聚类目标函数值,并引入带有隶属度的空间距离信息与控制邻域像素聚类紧致性信息的正则因子,该正则因子能较好的满足医学影像分割的抗噪需求,更好地保留了图像边缘和细节信息。