图像处理是人类视觉延续的重要手段,在图像的研究与应用上,人们可能对图像中的某些局部感兴趣,这些部分所对应图像中的特定或是具备特殊特征的区域,也就是目标与背景,即分割的过程。虽然图像分割的研究成果数不胜数,但依然未出现一种普遍适用的分割法。因此,图像分割的意义非凡,有待于深入的研究与广泛的扩展,更需要研究者们潜心去分析与研究。模糊聚类是图像处理中一种非常有用的技术。模糊聚类中的每个样本不再属于某一类,而是以一定的隶属度属于每一类。即通过模糊聚类分析,得出样本属于各个不确定性程度,建立了样本对于类别的不确定性描述,这样更能准确地反映显示世界。模糊聚类不但可以从原始数据中直接提取特征,还能对已经得到的特征进行优选和降维操作,以免造成“维数灾难”。应用模糊聚类算法可以提高图像分割的效率。本文的工作内容主要包括以下三方面:(1)由于FCM在噪声、离群值或其他图像伪影存在时效果较差,引入中性集的思想,并对中性模糊聚类算法提出改进措施,根据确定性子集的隶属度数据分布情况定义模糊项的聚类中心,并自适应确定性类、模糊类和噪声类的权重系数,有效的缩减收敛时间、提高聚类的效率。(2)针对中性均值模糊聚类算法分割精确度不高及易受外来客观因素影响的问题,我们引入了偏置场估计的思想进行对样本点分类进行校正,可以有效地提高分割的精确度。(3)为平衡去噪和保留图像细节,引入小波阈值去噪进行预处理,这样可以保留下更多的细节信息。同时,我们也引用了非局部空间信息的处理算法,在抗噪的作用上效果较明显。