随着电子设备的广泛应用、社交网络普及、远程医疗的发展,每天产生大量的图像。因此人们需要更加准确和智能的图像处理技术。图像分割是图像处理的第一步,它的好坏直接影响了图像分析和图像理解的好坏。迄今为止,有各种各样的图像分割技术,如阈值法、边界检测、区域型、基于数学形态的分割技术、基于模式识别的分割技术、数学统计理论方法的图像分割。近年来,基于数学统计理论的图像分割得到了大量的应用。其目的是以统计的方式从数据中发现与提取信息。统计分析的本质就是对大量数据图像进行抽象化并寻找出其本质的内容。当前基于数学统计理论的图像分割主要包括K-Means、C-Means及马尔科夫场(Markov Random Field)等图像分割技术。马尔科夫场模型由于其具有有效刻画图像中的空间信息的特点,得到了广泛的应用。本文主要基于马尔科夫场模型,首先将马尔科夫随机场的空间相关性引入到模糊C-Means算法中,用以提高在图像分割前分类类别已知的图像分割问题的分割效果。同时,现实生活中存在一些比较难以在分割之前确定分割数量的图像,一旦人眼观测失误将导致分割失败,此时模糊C-Means算法以及改进版的算法都将无法得到准确的分割结果。本文介绍了解决分类类别确定问题的HCF算法存在的过度全局化问题,提出了改进的局部HCF算法,解决了HCF的过全局化问题,同时增加了并行性。本文的主要工作如下：第一,介绍了图像分割国内外的研究现状。简要介绍了阈值型、边界检测型、基于过渡区型、区域性、基于数学形态的分割技术、基于模式识别技术的图像分割、基于遗传算法的图像分割及统计理论方法的图像分割的基本原理。第二,介绍了马尔科夫随机场的基本知识。主要介绍了：1.马尔科夫场中邻域以及基团的概念。2.马尔科夫场几种常用马尔科夫随机场模型。3.马尔科夫随机场参数估计。4.图像分割的最优准则。第三,引入马尔科夫随机场模糊C-Means算法。在图像分割中,C-Means算法也得到了广泛的应用,但是算法中的隶属度以及距离的估算对于算法的效果有着很大的影响。本文基于马尔科夫随机场的空间相关性,利用马尔科夫随机场的条件概率度量了隶属度以及距离,并进行了噪声图像、纹理图像以及CT图像的对比。第四,改进了HCF算法。HCF算法有着不需要在实验前设定图像分割的数量。该算法通过直接计算出图像中的边界或非边界,通过计算闭合边界,计算出分割的数量。但是由于计算过程中可能全局过度,因此本文提出了一种局部HCF算法,该算法不仅有良好的并行性而且有很好的准确度。第五,对本文做了一个总结并提出了将来的工作。