纹理图像分割在遥感、医学图像处理、计算机视觉及基于基于内容的图像检索等许多应用领域中具有广泛的应用。纹理分割是图像处理过程中一个重要步骤,是实际应用中图像分析的基础。常用的纹理描述方法有四种:统计法、模型法、频谱法、结构法。　　 由于纹理大多具有很强的频谱特性和方向性,而纹理分割又要求特征的表达具有局部性;并且当纹理图像中存在多种纹理基元时,纹理图像在频域中表现为非平稳信号。因此,在纹理分割方法中要求所采用的变换工具应同时具有高的时间和频率分辨率。通常分析和处理信号方法是傅立叶变换,傅里叶变换是个十分重要的工具。但随着深入的研究和广泛的应用,逐渐暴露了傅里叶变换在研究某些问题时的局限性,经过变换后得到是信号的整体频谱,不能获得信号的局部特征。因此,傅立叶变换只能用来处理确定性的平稳信号,对于时变的非平稳信号则无能为力。为了克服傅立叶变换在纹理分割中的这个弊端,论文以Wigner-Ville分布做为纹理分析的主要变换工具。利用分数傅立叶变换的基本特性,将分数域Wigner-Ville分布交叉项抑制方法和最优分数域的估计方法推广到二维纹理图像信号,克服传统基于傅立叶变换的纹理分割方法中局部性所存在的缺点和不足,有效的避免了二维纹理图像功率谱中多分量信号交叉项的干扰。将纹理图像进行分割取样,计算其不含交叉项的功率谱。将功率谱的统计特征——方差作为纹理特征描述向量,用于纹理聚类。　　 仿真结果表明,与传统的基于傅立叶变换的纹理图像分割方法相比较,新方法能够更好的体现纹理图像的区域特征,并采用K-means聚类算法获得了更精确的分割效果。