图像分割是图像分析中的重要环节,同时也是图像处理技术中的难点。人们不断引入新的方法和技术应用于图像分割。得益于模糊理论在图像处理方面的优越性,越来越多的学者将模糊理论引入到图像处理中,其中模糊聚类的方法在图像分割方面取得了不错的效果,但依然存在聚类数初始化、噪声敏感等问题。本文对模糊C均值聚类(Fuzzy C-Means,FCM)算法在图像分割领域的应用进行了研究,旨在通过改进FCM方法解决原算法中存在的问题。一方面,为解决FCM图像分割算法中聚类中心和聚类数初始化的人为干预问题,提出了一种基于图像灰度直方图信息初始化聚类中心的改进FCM算法。算法通过图像的灰度分布直方图信息,将像素分布较为集中的不同波峰区域划分为不同的聚类,从而确定聚类数,并通过计算此部分的平均灰度值来确定初始聚类中心。然后将此结果作为FCM算法的输入,完成FCM的聚类分割。此方法避免了传统FCM算法中人为参与。实验表明,该算法可以在原有算法基础上减少计算迭代次数,提高运算效率,同时得到具有参考意义的聚类数目。另一方面,FCM图像分割算法以灰度特征作为唯一参考特征,对于噪声信息非常敏感,本文融合图像的空间位置特征,改进原始FCM算法,以减少噪声干扰。在原目标函数中添加了包含空间邻域信息的惩罚项,同时采用消除异常值后求均值的方法,对邻域进行滤波处理,从而有效的减少了噪声对于图像分割的影响。实验结果表明,该算法对于多种类型图像均能够获得很好的分割效果。