图像分割是数字图像处理的一个重要组成部分,也是图像处理当中一个最基本的技术。图像分割的目的就是将人们所需要的目标区域从背景中分割出来。聚类分析是一种常见的数据分析工具,是将数据集分为由类似数据组成的多个簇的过程。聚类分析被广泛应用于图像分割、数据挖掘、模式分类、医学诊断和机器学习等方面。在众多的图像分割算法中,基于聚类分析的图像分割算法是图像分割领域中一类极其重要和应用相当广泛的算法,其中,使用得最普遍的算法是模糊C均值聚类算法(Fuzzy C-Means clustering, FCM)。FCM算法在模糊聚类理论中占有重要的地位,作为一种无监督聚类算法,它具有很好的收敛性。但是,FCM算法也存在许多不足之处,比如受噪声影响比较大,对初始值有较大的依赖性,容易收敛于局部极值,特别是在聚类样本数量较大的情况下更为突出。因此,对FCM算法中的隶属度函数进行改进,并且引入全局寻优能力强大的粒子群算法可以解决这方面的问题。1.聚类技术被广泛应用于图像分割,但由于基于聚类技术的图像分割常常是对单个像素点的分割,并没有考虑到空间信息特征,所以分割后的图像常常带有很多噪声点,影响图像的分割效果;另一方面,由于图像的不确定性,很多时候不能确定像素点到底属于哪一类,具有相当的模糊性。传统的聚类技术属于硬聚类,某一个像素点对于某一类别的隶属度不是0就是1,这并不符合实际情况。FCM算法主要是针对硬聚类的不足而提出的新的聚类算法,结合FCM算法和空间信息技术能够较好解决这两方面的问题。FCM算法虽然受噪声影响较小,有良好的鲁棒性,但是由于它没有考虑到像素的空间信息,在含有大量噪声的情况下,分割性能会大大降低。本文基于FCM算法,提出了一种IPCM算法(Improve Possibilistic C-Means clustering, IPCM)。该算法改进了隶属度函数,新的像素点隶属度被更新为其邻域隶属度的几何均值。实验结果显示新的算法能够更有效的分割图像,并显示出良好的抗噪能力。2. FCM算法具有很好的收敛性,但是容易陷入局部极小值。本文考虑将全局寻优能力强大的粒子群优化算法应用到FCM算法中,并引入混沌技术,形成新的基于混沌粒子群的快速模糊C均值聚类算法(Fast Fuzzy C-Means clustering based on Chaos Particle Swarm Optimization, CPSO_FFCM)。本算法能够较快的搜索全局最优解,避免收敛于局部极值,得到全局最佳聚类结果。为了避免粒子在迭代过程中停滞,算法引入了混沌变量,在当前全局最优位置的基础上产生一个混沌序列,用混沌序列中拥有最优适应值的粒子随机代替当前粒子群中的一个粒子。通过实验,利用该算法分割图像时效果非常好,并且具有良好的鲁棒性和适应性。