模糊聚类分析具备将不确定性样本进行分类的功能,近年来被广泛地应用于图像分割算法研究中。通过对模糊C均值聚类算法(FCM)这一现今最经典的模糊聚类算法进行改进,验证了本文算法的有效性。首先,标准FCM算法执行的前提是聚类数的确定。不同的图像聚类数也不同,聚类数的选取对分割至关重要。研究人员通过图像的直方图波峰的个数来对应图像的聚类数,但受噪声点影响,使得像素属于某一灰度值是不清晰的,容易导致误差的产生。考虑到模糊集理论能够体现像素属于某一灰度值的程度大小,用高斯函数替代脉冲函数,分别构造了模糊直方图和模糊Histon直方图,充分利用了像素的灰度信息和空间信息。其次,利用像素的灰度信息和局部空间信息可以在一定程度上抑制噪声的影响,但当图像被大量噪声严重侵扰时,像素提供的局部空间信息不能体现明显优势。针对这个问题,提出了结合模糊直方图的非局部空间自适应FCM算法,合理利用像素提供的非局部空间信息,考虑到提出算法的目标函数中,对隶属度矩阵及聚类中心迭代公式进行改进,提出的算法在分割质量和效果上更好。最后,在Lab彩色空间中通过模糊Histon阈值技术获取整幅图像中所有可能的由聚类中心标注的均匀区域,提出了自适应FCM聚类算法用来改善均匀区域之间的紧密度,完成色彩分割,已成功应用到伯克利图像库,取得了更好的划分。考虑到颜色相近而语义无关的影响,在像素特征中加入纹理特征,提出了结合亮度、颜色、纹理特征的FCM色彩分割算法,相比标准FCM算法实现了彩色图像的较优分割,具有一定抗噪性。