图像分割在图像工程领域有着极为重要的作用和地位,该学科自诞生之日起就引起了众多学者的关注和研究,迄今为止已有大量不同类型的分割算法被相继提出。但是已有的分割算法大多是针对某些特定的研究对象而设计的,至今也没有通用的分割理论,关于新的分割算法和分割理论的探索依然任重道远。近年来,聚类算法早已成为图像分割领域中的一个热门研究方向。利用聚类算法进行图像分割的难点主要有两个:一,图像本身的特殊性和复杂性。这使得图像分割算法具有很大的局限性,某一算法往往只对某种特定类型的图像有较好的分割效果。二,像素的规模。尤其是随着计算机设备的快速发展,存储的图像越来越细致,像素越来越多,图像分割对质量和速度的要求也越来越高。很多分割算法要么分割过程耗时,要么精度较差。本文主要针对聚类图像分割算法中存在的上述两个问题展开讨论和研究。主要研究内容和创新性包括以下几方面:1.提出了一种结合层次聚类与峰值检测的FCM图像分割算法。FCM图像分割算法需要预先确定聚类数目,对噪声和初始聚类中心敏感,易陷入局部最优解。层次聚类算法初始数据集不敏感,适应性较强,是一项应用广泛的信息处理技术。该算法无需指定初始聚类中心,可根据终止条件自动确定聚类数目。并且层次聚类在迭代过程中依据不同聚类间距离合并或拆分聚类,因此具有较强的全局寻优能力。本文受峰值检测FCM算法的启发,结合层次聚类与峰值检测,提出了一种新的FCM图像分割算法。该算法将层次聚类与FCM有效的结合,兼顾了两者的优点,改善了FCM算法的不足。2.提出了一种基于误差采样的Nystr?m谱聚类图像分割算法。谱聚类算法在进行图像分割时需要构建像素的相似度矩阵和拉普拉斯矩阵,并且要对拉普拉斯矩阵进行特征分解,运算量大,计算耗时。为了解决这一问题,有学者提出了基于Nystr?m扩展方法的谱聚类算法。该算法通过少量采样点逼近原始相似度矩阵,来求取拉普拉斯矩阵的近似特征值和特征向量,提高了谱聚类图像分割算法的运行效率。采样点是决定Nystr?m扩展方法精度的最重要因素,本文通过对Nystr?m扩展方法的误差进行分析,结合图像特征信息,设计了一种新的采样方案,在改善算法效率的同时大幅度提高了算法的准确性。3.提出了一种基于多尺度的稀疏矩阵谱聚类图像分割算法。在图像分割中谱聚类算法存在两点最为明显的不足。第一,该算法需要构建像素的相似度矩阵和拉普拉斯矩阵,并且要对拉普拉斯矩阵进行特征分解,运算量大,计算耗时。第二,该算法在计算相似度矩阵时距离尺度单一,结果可靠性差。针对这两个问题,本文提出了一种基于多尺度的稀疏矩阵谱聚类图像分割算法。该算法首先对相似度矩阵进行误差分析,设计了一种新的特征提取方案,然后在不同尺度上对图像进行特征提取,利用特征信息创建稀疏相似度矩阵,最后通过理论分析以及图像分割实验对算法的准确性和鲁棒性进行了验证。