在获取到的大量图像数据中,人们通常只对图像中的某一部分感兴趣或只需要研究个别特定的区域,为了方便后续对这些数据进行处理和分析,需要通过图像分割技术把这部分从一整副图像中分离和提取出来。这样既保留了图像中的有用信息,删除了无用数据,提高了后续处理的准确率,又可以减少研究人员的工作量,提高了效率。近年来,图像分割作为图像处理和计算机视觉领域中的热门话题,研究人员已陆续提出了成百上千种图像分割方法,并将其广泛地应用于实际生活中,如医学影像分析与辅助治疗诊断、车辆追踪与行人检测、地面信息获取与勘察、人脸与指纹识别等。可以说图像分割技术是目标的检测、提取或识别等相关技术的关键预处理步骤,而分割结果的好坏会对后续工作数据的可靠性和有效性产生直接影响。因此,图像分割技术和算法的研究至关重要。图像分割技术涉及多种方法,本文主要对基于模糊C均值聚类的图像分割方法进行了研究和改进,提出了一种基于局部区域特征的FCM细化分割算法,它能够产生良好的分割边缘,并抑制图像中的噪声或灰度不均匀情况对分割结果带来的影响。算法的主要贡献是提出了一种基于局部图像子块预分类结果的加权投票方法,将预分类结果作为新的衡量像素间相似性的度量,并结合局部窗口中像素的灰度和空间特征对子块的初始分类结果进行加权投票和细化,来优化和改进像素间的分类关系,改善了算法对处于弱边缘和受噪声影响较为严重的像素点的分割效果。本文在主观视觉效果和客观量化指标两个方面对提出算法的分割结果进行评价,并将实验结果与其他8个FCM相关算法进行比较。对合成、医学和自然图像的实验结果表明,本文的算法是有效的,并且总体效果要优于其他对比算法。本文提出的基于局部区域的FCM细化分割算法,通过融合邻域信息的加权投票过程来改善在全局分割中可能被错分的边缘像素点,同时基于区域同类性的合并和噪声校正过程使算法能够更好地处理图像中的灰度不均匀情况,最大程度地保留了图像中物体的内部细节和边界信息,提高了算法的抗噪性,为今后基于FCM的图像分割方法的研究提供了新思路。