图像分割是图像处理中的基础,它为高级图像分析提供了有利的条件,使得智能、快速、准确的图像分析成为可能。图像分割有非常广泛的应用领域,在智能交通、军事研究、生物医学、现代农业、自动化等方面有着巨大的研究价值,近几十年来一直都是科研领域的热门研究方向。基于聚类算法的图像分割是一种常用的分割方法,具有操作简单、鲁棒性较好等优势。基于聚类算法的图像分割主要是依据图像的某些特征,按照不同的聚类思想,对特征空间进行分类并且映射到原图像上实行分割。具体运用中,人们也能根据分割的要求选择合适的聚类算法进行图像分割。基于高斯混合模型(GMM)的期望最大值算法(EM)作为一个半监督学习算法,被广泛应用于图像分割当中。该算法假设图像灰度等特征的密度分布服从高斯分布,利用极大似然估计对混合模型的参数进行估计从而实现图像分割。但是EM算法存在一定的缺陷,其对初始参数十分敏感且容易陷入局部极值;而尺度空间理论中一维信号重构的方法能深入了解特征的分布情况,能更准确地描述图像信息,因此通过该方法可以辅助确定EM算法的所需要的初始参数,从而提高图像分割的质量。本文基于高斯混合模型EM算法,通过尺度空间理论辅助确定EM算法的初始参数,提出了鲁棒性与准确率并重的图像分割算法,从而达到自适应图像分割、提高分割准确性的目的。本文的工作内容主要包括三方面:(1)论文系统介绍了EM聚类方法与尺度空间理论的理论依据和发展状况,阐述了EM算法及其衍生算法的发展历程,详细叙述了尺度空间理论中一维信号重构的数学方法及指纹图的获取与分析。(2)针对EM算法的固有劣势,在利用图像一维特征进行分割时,提出了基于尺度空间理论中一维信号重构方法的EM算法。该方法通过核密度估计方法得到图像中该特征的密度分布,利用尺度空间理论中一维信号重构的方法,自适应地得到EM算法所需的初始参数,进而完成图像分割。在加拿大麦吉尔大学脑部核磁共振图像数据集上进行分割实验,在与分割groundtruth的相似度评价中,本文方法取得了较好的分割效果。(3)利用图像多维特征及结合其实际分布情况,提出了一种能根据多维特征自适应图像分割的EM算法,该方法能综合考虑数据分布和噪声影响等因素,通过不断筛选聚类中心,进而确定EM算法初始化参数,最终实现图像的分割。在加州大学图像分割数据库上进行测试实验中,在聚类指标Xie–Beni和Q指标的评价上,本文方法比其他一些EM衍生算法更有优势。