在数字图像处理中,图像分割占有重要地位,得到了广泛深入的研究。在对图像的研究和应用中,人们往往只对图像中的某部分感兴趣。这些部分常称为目标或前景(其它部分称为背景),它们一般对应图像中特定的具有独特性质的区域。为了辨识和分析目标,需要将这些区域分离提取出来。图像分割是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。图像分割从本质上来说是一个对图像上所有像素进行分类的过程,因此人们也常把空间聚类算法用来进行图像分割。用特征空间聚类的方法进行图像分割可看作是对阈值分割概念的推广。它将图像空间中的元素按照从它们测得的特征值用相应的特征空间点表示,通过特征空间的点聚集成对应不同区域的类团,然后再将它们划分开,并映射回原图像空间以得到分割的效果。本文从核聚类算法和模糊C—均值聚类算法出发,把模糊的概念引入到核聚类中,利用模糊化矩阵来更新核函数的参数,这样就避免了核函数更新参数时,求聚类样本平均值带来的聚类中心的不合理性。同时利用核聚类可以适合任意形状分布的样本的优点,来修正模糊聚类只适应于球类样本的缺点。综合两者优点,提出了一种新的聚类算法:核模糊聚类算法,并将其应用于图像分割,取得了较好的分割效果。算法的主要思想就是把模糊的概念引入到核函数,通过对核函数参数的模糊化来达到良好的聚类效果。同时利用满足Mercer条件的核函数,把样本数据映射到高维空间,扩大样本间的类别差异,来达到样本线性可分的目的,同时利用核函数的性质来简化距离计算。应用于图像分割时,与一般常用的阈值分割相比,本算法避免了阈值分割中的阈值选取问题,并对图像具有普遍适用性,改正了阈值分割只对背景目标对比显著的图像才具有良好分割效果,而对其它图像效果不明显的缺点。