传统模糊聚类的图像分割方法,如模糊C-均值聚类算法因鲁棒性差、易受噪声影响难以满足抗噪性与细节保留性之间平衡的实际需求,现有研究者们多基于该算法进行改进,加入含有像素局部空间邻域信息或非局部空间邻域信息的目标函数,使用控制参数连接多个目标函数,该控制参数的优选导致难以准确获取最优解从而影响其图像分割的效果。基于多目标进化算法具有全局搜索的求解性能,可将模糊聚类的图像分割转化为多目标优化问题,无需控制参数即可同时优化多个目标函数,能利用更多图像信息解决像素分布复杂等问题,提高图像分割的各项性能,并取得在复杂图像信息的抗噪性能与细节保留之间的平衡。因此本文针对模糊聚类的图像分割算法进行了研究,以分解的多目标布谷鸟算法为框架,提出一种基于多目标布谷鸟模糊聚类的图像分割算法,并将其应用于机器视觉的磨削样块表面粗糙度测量中。论文主要研究内容如下:(1)从基于边缘、区域、特定理论、聚类的四类图像分割方法和基于机器视觉的表面粗糙度测量国内外研究现状进行综述,分析了模糊聚类的图像分割算法在处理较强噪声水平的图像中存在的问题,从而确定论文研究内容和思路。(2)针对结合局部空间邻域信息与结合非局部空间邻域信息的模糊聚类改进图像分割算法多采用关键参数连接目标函数,参数选取不佳导致图像分割效果不太理想的问题,提出一种基于多目标布谷鸟模糊聚类的图像分割算法,并将该算法应用于合成图像和自然图像的分割,验证本文算法在性能评价的有效性。(3)针对当前机器视觉的表面粗糙度测量方法普遍未充分利用工件表面成像像素的模糊信息的问题,将本文算法运用于磨削样块的粗糙度检测中,使用粗糙度评价指标最大隶属度指标C与模糊信息指标F;对基于红绿色块的16组表面粗糙度磨削样块所成虚像进行分割,求得虚像的模糊隶属度矩阵,并求解两个粗糙度评价指标,建立预测模型,利用拟合优度证明了本文算法运用于表面粗糙度视觉测量的可行性。(4)基于LabVIEW和MATLAB平台,采用基于多目标布谷鸟模糊聚类的图像分割算法,开发了一套基于机器视觉的表面粗糙度测量软件,并应用于8组不同磨削样块表面粗糙度的测量中,初步实现了图像的自动化采集与粗糙度检测功能。经与标准表面粗糙度值对比验证,该测量软件具有较高的准确率。