图像分割是图像分析、识别和理解的基础,是图像处理的一个极其重要的环节,同时也是图像处理技术中的难点。由于图像所具有的模糊性,近年来一些学者将模糊理论引入到图像处理中,应用模糊聚类进行图像分割。本文在研究模糊理论的基础上,对模糊聚类算法在图像分割中的应用进行了一定的研究。首先介绍了模糊理论的基本知识,在此基础上详细介绍了模糊C—均值聚类算法(FCM)。通过对其参数设定及收敛性的分析,分别利用山峰聚类算法和减法聚类算法对FCM进行初始化,重点提出了利用边缘信息的FCM初始化方法。通过实验仿真表明,算法能够得到有意义的分割类别数目和接近最优解的聚类原型初始值。在图像分割的具体实现上,针对不同类型的图像,提出了不同的模糊聚类分割方法。针对灰度图像,提出了基于粒子群(PSO)和加权模糊C—均值算法(WFCM)的灰度图像分割方法,该方法以利用了像素空间相关信息的二维直方图作为模糊C—均值算法的加权值,并利用粒子群优化算法求解模糊C—均值算法的最优解,不仅可以有效抑制噪声的影响,找到有效分割的聚类原型,并且能够提高算法收敛速度,提高实时性。针对于彩色图像的分割,由于其无法像灰度图像利用直方图加权以减少样本数目,因而研究了基于多层减法聚类的模糊C—均值算法,首先通过多层减法聚类将图像分成n_p个颜色相近的子集,再对这些子集进行FCM聚类,可以有效减少聚类样本数目,提高算法实现速度,实验表明算法具有良好的分割效果。