图像分割是根据不同应用需要将图像分割成若干个具有独特性质且互不重叠的区域,进而将感兴趣区域与背景分离的过程,由于图像的多样性和复杂性,图像分割一直是图像理解和计算机视觉中最具挑战性的任务之一。虽然已经提出了许多图像分割方法,但是对于大量不同的图像,没有一种方法是足够健壮和有效的。在现有的图像分割技术中,聚类是最常用的方法之一,因为它容易实现同时算法复杂度低。聚类的目的是将一个集合划分为若干个簇,使同一簇的成员相似,而不同簇的成员不同。聚类方法一般分为层次法、图论法、密度函数分解法和目标函数最小化法。其中,模糊C均值聚类(FCM)算法作为一种无监督聚类算法,在图像分割和数据处理等研究领域取得了很好的应用。该算法将模糊概念引入到图像像素的隶属度处理中,相对于基于划分的硬聚类k均值算法在图像处理过程中能更多的保留原始图像信息,受到了研究人员的广泛关注。它最早由Dunn提出,并由Bezdek推广。传统的FCM聚类算法在进行图像分割时没有充分考虑图像的空间信息,使得算法对噪声比较敏感,同时这种算法需要预先设定好聚类中心,分类数目等参数,容易陷入局部最优。因此本文从两方面对图像分割效果进行提升,一个改进措施是通过遗传优化加入空间邻域信息的改进FCM算法克服局部最优,提高对噪声的鲁棒性。另一个改进措施是通过利用马尔科夫随机场的空间相关性结合图像邻域空间信息和灰度信息来提高算法的抗噪性及对图像细节特征的保持能力。本文主要工作如下:对标准的FCM算法进行了完整系统的分析,并且介绍了模糊聚类算法的特点,重点从原理剖析的角度对近年来图像分割领域关注度很高的FCM改进算法进行了分析解读,对每种算法的优缺点做了阐明。针对FCM算法容易陷入局部最优、对噪声敏感等问题,提出了一种基于遗传优化的改进FCM算法,主要是通过遗传算法的全局搜索能力克服FCM陷入局部最优问题,并且通过加入空间邻域信息的改进FCM算法约束隶属度函数进而使得算法对噪声的鲁棒性更强。针对基于邻域信息改进的FCM算法存在抗噪性及细节保持能力方面依然有提升空间的情况,提出了一种基于马尔科夫随机场的FCM改进算法,结合邻域信息给出两个创新点:(1)将邻域空间信息与灰度信息相结合提出了一种新的先验隶属度估计,使得算法复杂度降低,鲁棒有效。(2)提出了结合邻域相关信息的相似度度量,并通过先验隶属度的值自适应控制邻域对中心像素的影响,提升算法抗噪性。在MATLAB环境下进行仿真分析,利用FCM算法、FCM_S算法、FCM_S1/S2算法、EnFCM算法、FGFCM算法、FLICM算法、KWFLICM算法与本文算法进行实验比对,对经典分割图像、四分类人工合成图像、Berkeley数据库图像及脑部图像加入不同模拟噪声进行分割,实验结果表明,本文改进算法有效提升了对噪声的鲁棒性以及对图像细节特征的保持能力。