质心化的Voronoi图(Centroidal Voronoi Tessellation)是一种特殊的Voronoi图,它的生成种子点和定义于这个Voronoi区域上的质心是重合的。CVT有着广泛的应用,基于CVT的图像处理模型可应用于图像压缩,图像分割以及多通道修复等。图像分割本质上是把图像的物理空间划分成若干个互不相交的子区域。CVT是一种自然的图像分割方法,对给定图像的特征空间U(例如颜色空间)利用CVT模型,可以得到U的Voronoi剖分,将Voronoi区域映射到物理空间上,这样就得到了图像物理空间的若干子区域从而达到分割图像的目的。基本形式的CVT模型等价于在图像分割中常用的k-均值聚类方法。本文提出了一种基于连通区域加权的CVT图像分割模型,该模型改进了基本CVT模型只对颜色空间分割而忽略图像物理空间的信息从而导致对图像过分割的缺点,其主要思想是在基本CVT模型的基础上,综合考虑图像的颜色空间和物理空间信息,定义一种连通区域加权的Voronoi剖分能量(Connected Area Weighted Voronoi Tessellation Energy),通过最小化CAWVT-Energy来得到图像的连通区域加权的Voronoi剖分(CAWCVT),从而达到对图像进行分割的目的。从聚类分析的角度来讲,基于连通区域加权的CVT模型本质上是一种基于函数最优的聚类方法,本文给出了有效的算法来最小化这一能量函数。分割实例表明连通区域加权的CVT图像分割模型克服了基本CVT模型过分割的缺点,可以有效地将图像分割成合适的区域。