图像分割是图像处理的一个关键环节,其结果的好坏会直接影响后续步骤,是一个经典研究课题。图像分割应用广泛,涉足各行各业,例如医学、公安等。跟随时代进步的脚步,技术随之更新,该领域增加了许多新的理论和思想,产生众多新的分割算法。高斯混合模型是一种用于数据分析的常用模型。基于高斯混合模型的图像分割算法属于软聚类图像分割中的一种,期望最大化(EM)算法是一种常用的求解高斯混合模型中参数的算法。对于EM算法而言,不同的初始值往往会导致不同的结果。为了解决这个问题,本文考虑引入膜计算机制来改善这个缺陷。其次针对基于高斯混合模型的图像分割算法中需要手动给定高斯分量问题,提出一个图像重构方法,它根据WIRC值来自动选取高斯分量。最后,针对人类视觉感受与算法之间对图像分割模块存在差异的问题,采用膜谱聚类算法进行合并。另一方面,随着摄像头、屏幕等硬件设备的换代,图像信息变得更加丰富,获得高清视觉效果的同时如何快速有效的处理大尺寸和高分辨率图像的问题也随之而来。为响应图像分割领域的新需求,超像素分割方法应运而生。本文将膜计算原理引入到超像素分割中,期望改进超像素分割算法的性能。本文的主要创新性工作总结如下:(1)针对彩色图像分割问题,提出了一种在膜框架下结合高斯混合模型与膜谱聚类的图像分割方法。首先用膜聚类算法对图像进行初步处理,所得到的值用作高斯混合模型的EM算法的初始值,构建初步的图像建模小区域;然后,采用加权图像重构方法自动获取最优的高斯分量数;最后,利用膜谱聚类合并高斯分量,得到最终的图像分割结果。在UCI数据集和COREL1000图像集上的评估结果显示了本方法的有效性和改进的分割效果。(2)通过引入膜计算机制到超像素分割中,提出了一种基于膜计算的超像素分割方法。将超像素分割问题视为一个优化问题。为此,设计了一个组织型P系统作为计算框架。利用这个组织型P系统发现最优超像素中心,其中每个局部区域通过选取q组细胞跟踪超像素中心。换言之,使用候选粒子逼近真正的超像素中心,从而实现更高区域内的相似性。实验结果显示了该方法的可用性和有效性。