图像分割是机器视觉和图像处理领域的重要组成部分,可以提取图像中感兴趣的目标区域,进而为特征提取与模式识别奠定基础。图像信息的范围大小和精细程度取决于粒度层次的选择,不同粒度的分割效果其差异性也较大。因此,欠分割和过分割不仅是传统分割方法的矛盾点所在,同时也是单一粒度分割技术的局限性所在。为此,采用多粒度的方法去分析和处理图像,能够实现自适应的图像分割。但是,现有的多粒度分割方法存在粒度信息传递不准确的问题,而云模型作为一种双向认知模型,能够定性和定量地刻画不同粒度之间的关系。所以,本文基于云模型理论建立了多粒度聚类模型,该模型通过综合多个粒度层次的聚类结果对图像进行分割,不仅提高了分割的精度,而且实现了自适应的目标提取。本文的主要贡献如下:1.提出了一种基于高斯云变换的多粒度聚类方法。首先,采用FCM聚类降低高斯云变换算法的时间复杂度;其次,结合幅度云综合算法改进了概念跃升策略;最后,通过度量距离把像素划分到所属类别中。该方法解决了遥感图像中多粒度和多尺度的生成问题,通过多粒度聚类更高效准确的实现了遥感图像的自适应分割。2.提出了一种结合区域云变换的多粒度聚类方法。首先,基于HSV颜色空间的量化,计算彩色图像的区域信息;然后,利用改进的云变换算法对图像进行细粒度分割;最后,采用结合区域信息的云综合算法实现了从细粒度到粗粒度的图像聚类过程。该方法更精确地划分了彩色图像的边缘区域,实现了自适应的图像分割。