图像分割技术是图像分析乃至高层图像理解的重要基础,广泛应用于工业、医学、地理学、交通等领域,越来越受到学者们的关注。理论的创新促使基于特殊理论的图像分割算法层出不穷。基于形态学理论的分水岭算法有较高的分割精度和速度,但其过分割问题严重；基于模糊理论的模糊C均值(FCM)算法能够无监督工作和解决多分支分割问题,却受初始值影响较大。面向课题应用需求,为获得更好的图像分割效果,本文围绕这两种算法的改进开展研究。首先,分析分水岭算法的优劣,从预处理阶段来改进经典算法,考虑采用一种基于形态学滤波的标记分水岭分割方法。改进算法对原始梯度图像进行开闭重建滤波,并利用内外部标记符控制分割区域,再对叠加标记的梯度图像进行分水岭变换；将该方法应用于核磁共振(MRI)脑肿瘤图像和河流合成孔径雷达(SAR)图像分割,消除了过分割现象。仿真对比实验结果表明：对MRI脑肿瘤图像有较高的分割精度和速度；对河流SAR图像,由于受相干斑噪声和阴影的干扰,分割效果不够理想,同时受扩展的极值变换中的阈值影响,需要根据仿真测试人为确定合适的阈值,以得到理想的分割结果。其次,研究一种改进模糊C均值(FCM)的图像分割方法,以克服FCM算法需要人为确定分类数、且容易陷入局部极值的不足。改进算法对原始图像进行Kuan滤波,依据滤波后图像的直方图得到初始类中心和分类数,由此引导算法进行FCM图像分割；因而该算法在应用中能够自适应确定分类数和初始类中心,比经典FCM算法的图像分割精度高、速度快；相比改进的分水岭图像分割方法,本方法用在河流SAR图像分割和检测识别时,图像分割效果改善、进而提高了河流识别率。综上,图像分割的经典算法和改进方法很多,分割效果有差异；不同属性的待分割图像欲获得更优的分割效果,在应用和改进时,需综合考虑图像属性和目标、算法难易和复杂度、计算效率和影响因子以及应用背景和需求等因素。