图像分割在图像处理中占据着很重要的地位,广泛的应用于很多领域。而分水岭分割算法是以数学形态学为基础的一种非常有用的图像分割算法,具有快速、精确、便于实现等优点。可正是由于分水岭算法过于精确,会导致过分割问题,使得人们无法直接使用分水岭分割后的结果。解决这种过分割问题的方法：第一种是预处理,它一般是采用距离变换分水岭算法、梯度分水岭算法以及标记分水岭算法来减少伪极小值；第二种是后处理,根据某种准则对分水岭分割后图像进行区域合并。本文的研究工作如下：(1)本文对标记分水岭算法进行了实验和分析,它可以在一定程度上减少伪极小值,达到减少过分割区域的目的。可是从分割后的图像可以看出使用标记分水岭算法分割后的结果仍然存在很多过分割区域。(2)为了解决分水岭分割算法的过分割问题,本文对标记分水岭分割后的图像进行后处理,即用密度FCM聚类算法对分水岭分割后的区域进行区域合并。密度FCM聚类算法可以综合考虑数据的分布情况,在一定程度上减少了过分割现象。(3)以一型模糊集相关理论为基础的传统FCM聚类算法,不能很好地处理实际应用中出现的不确定问题,而二型模糊集在处理不确定方面的能力强于一型模糊集,那么以二型模糊集为基础的FCM聚类算法可以较好地处理隶属度不确定问题。此外,将Voronoi距离应用到聚类时,那么同一个区域内的点就不再需要考虑隶属度。本文将两者结合起来加入到到模糊核聚类中,得出了一种新的模糊核聚类算法,即基于Voronoi距离的区间二型模糊核聚类算法。(4)本文将基于Voronoi距离的区问二型模糊核聚类应用到了标记分水岭算法中,同时综合考虑了图像的灰度信息以及空间信息,实现多级区域合并。将这种分水岭分割算法来处理噪声图像,可以较好的解决分水岭分割算法导致的过分割问题。