彩色图像有意义区域提取是计算机视觉领域里最为基础和重要的问题之一。有效合理的提取方法能够为基于内容的图像检索、对象分析等抽象出十分有用的信息,从而使得更高层的图像理解、图像分析成为可能。论文围绕如何在彩色图像中自动提取出对人们感兴趣的区域进行了详细、深入的研究。在总结和分析现有有意义区域提取算法的基础上,结合研究的实际应用背景,以感兴趣区域的颜色特性作为前提,提出了两套有效合理的彩色图像有意义区域提取算法,并对提取算法进行了详细的分析。论文的研究成果主要体现以下两大方面:1.对传统的模糊C均值算法(FCM算法)进行了改进,并将其应用于彩色图像有意义区域提取中。运用FCM算法分割图像时,采用高斯混合模型计算聚类中心,优化了初始聚类中心的选取;选择交叉熵距离函数作为像素的相似性测度函数进行测度,克服了传统的欧式距离对球状样本数据分布的依赖。2.提出了一种新的彩色图像有意义区域提取算法,新算法将均值平移,边缘检测以及区域生长的思想相结合,充分发挥了边缘检测和区域生长法的优势,可以得到单像素宽的、连通的、封闭的以及位置准确的轮廓。既克服了传统算法分割之后,各个区域内像素特性不一致的缺点,又保证了区域边缘的完整性。本论文研究重点是彩色图像,但提出的算法、结论同样适用于其它类型的图片或数据,并具有较强的鲁棒性。