数字图像分割是数字图像信息处理领域的热点与难点之一,是一种重要的图像分析技术,也是计算机视觉领域低层次视觉中的主要问题。它是图像分析过程中的首要任务,使得更高层的图像理解成为可能。近年来随着机器视觉、模式识别和基于内容的图像检索等技术的发展以及彩色图像的大量使用,图像分割尤其是彩色图像的分割显示出越来越重要的地位。本论文围绕基于模糊C均值聚类图像分割以及多特征彩色图像分割中的一些不足,进行了深入研究,提出了两种新的算法,主要内容包括:1.针对传统模糊C均值聚类(FCM)方法运算量大、运算时间过长等问题。提出了一种新的快速模糊C均值聚类图像分割算法。通过引入分块策略把图像数据分成一定数量的子集,用区域粗糙度标记所有子集,利用子集质心及其权重进行模糊聚类,由于聚类样本数量显著减少以及聚类计算量小,故可以大幅提高模糊C均值算法的运算速度。实验表明,这种方法可以在保证分割质量的前提下,使模糊聚类的速度得到明显提高。2.针对于彩色图像分割,以Gibbs随机场、Steerable方向滤波器等理论为基础,提出了一种基于颜色、纹理等综合特征的彩色图像分割算法。该算法首先以Gibbs随机场理论为基础,利用基于颜色的FCM聚类(结合空间约束的图像颜色信息)将原始图像划分成若干子区域;然后利用Steerable滤波器捕获方向纹理信息,并依此将原始图像划分成平滑区域与非平滑区域;再综合考虑前面提取的颜色、纹理特征信息,以实现原始图像的粗分割;最后根据Normalized Cuts割集准则,对粗分割结果进行过分割后处理。仿真实验表明,该彩色图像分割算法的分割结果与人类视觉感知系统具有良好一致性。