图像分割就是指把图像分解成各具特性的区域并提取出感兴趣目标的技术和过程,它是由图像处理到图像分析的一个关键步骤,在图像工程中占有非常重要的位置,并且已在诸如计算机视觉、模式识别和医学图像处理等实际中得到了广泛的应用。尽管人们在图像分割研究方面做了许多工作,提出的算法数以千计,但至今仍无通用的分割算法,也不存在一个判断分割是否成功的客观标准。在众多的分割算法中,基于聚类分析的图像分割方法是图像分割领域中一类极其重要和应用相当广泛的算法,而聚类分析中用得最普遍的是模糊C-均值聚类。采用模糊C-均值聚类的方法进行图像分割,避免了阈值设定的问题,聚类过程中不需要任何人工的干预,对于图像分割自动化有重要的意义。然而,模糊C-均值聚类算法进行图像分割存在着多个方面的问题,诸如聚类类别数难以确定、如何确定有效的初始类中心和初始隶属度矩阵的问题、迭代容易陷入局部极值的问题、迭代过程中的计算量太大、空间结构信息未能有效利用、分割出来的区域不连续以及过分割问题等等。在对基于模糊聚类分析的图像分割方法的现状和存在的问题深入分析和研究的基础上,针对基于模糊聚类的方法进行图像分割存在的问题以及图像分割的特点,提出了一套在边缘信息指导下的半模糊聚类的图像分割方法ESFCM(Edge-based Semi-Fuzzy C-means Clustering)。该方法利用简易且敏感的边缘算子,对图像进行边缘检测,得到图像中所有的边缘信息;采用类似于区域生长的方法,寻找出图像中所有封闭边缘围成的相互独立的区域,并以这些区域作为分割的基础,根据物理就近原则对图像的“边缘”点进行归类,完成图像的粗分割;以粗分割的区域数作为模糊聚类的类别数、粗分割的各区域中心作为初始聚类中心、以图像中的像素相对于粗分割的区域的隶属关系作为确定初始隶属度矩阵的依据,解决聚类的类别数的确定问题,避免初始类中心和初始隶属度矩阵确定的盲目性,减少聚类迭代的次数,也减小聚类迭代陷入局部极值的可能性。为降低聚类迭代的计算量,针对图像分割时,模糊的应该是在边缘部分、而非边缘部分相对是明确的固有特征,提出在聚类时对非边缘部分明确化、边缘部分模糊化的半模糊聚类的思想和相应的聚类算法,使一幅图像中占绝大部分的非边缘的计算<WP=4>简单化,达到减少计算量的目的,并从数学理论上证明了这种半模糊聚类算法的收敛性。同时为了提高分割结果的连续性,更有效地利用图像的空间信息,算法中引入和使用点到类的距离的概念,并将其作为聚类的第二特征参与模糊聚类。就ESFCM算法分别在静态灰度图像和彩色图像的不同情况进行了详细的分析研究,对其计算复杂度进行了详细的分析和对比,并结合一系列的实际图像的分割实验对算法的有效性、抗噪性进行了验证,对算法的分割质量与一些常见的分割算法进行了大量的客观对比。对于彩色图像的分割,讨论了聚类用的彩色空间的选取,确定YUV颜色空间作为ESFCM算法分割彩色图像的颜色空间;提出了一种容易实现的,在YUV颜色空间中的基于亮度差和色差的Sobel边缘检测算子。针对聚类分割可能出现的一些零散的、不连通的、没有什么实际意义的区域以及可能出现的过分割情况,给出了一种以“物理就近、特征差异最小”为原则的聚类后处理的方法;针对ESFCM算法分割图像的过程中的那些难以实现的、容易影响系统性能的部分,给出了详细的实现方法、程序流程和实现技巧。作为ESFCM分割的一个应用,分析讨论了ESFCM分割在基于感兴趣区域的数据库图像检索系统中的应用,并且设计了一个ESFCM分割下的基于感兴趣区域的数据库图像检索系统的框架。