图像分割是图像分析及视觉系统必不可少的环节,是计算机视觉发展的瓶颈和研究的热点。近几年来,将特定理论工具应用于图像分割中越来越受到人们广泛关注,模糊C 均值(FCM: Fuzzy C-Means)聚类理论与遗传算法(Genetic Algorithm)理论都是很重要的应用。FCM 算法属于非监督的分类方法,应用于图像分割时可以避开没有先验知识的情况下人为外加意识的干扰,从而尽可能的让分割结果反映原图像所含有的信息。遗传算法理论所具有的全局搜索能力是解决寻优问题的好方法。 本文在分析与研究图像分割、FCM 算法和遗传算法的基础上,着重对截集 FCM 算法的理论进行研究,说明其在分类原则上更符合自然界中普遍存在的分类规律。通过实验表明该算法存在不足之处,并提出基于空间映射和改进加权指数的改进方法,实验表明该方法的运算效率较传统 FCM 算法和未改进截集 FCM 算法有很大提高。但这种改进方法仍建立在一维灰度直方图初始化的基础上,未避开一维灰度直方图初始化聚类算法的固有缺陷,如一幅直方图可以对应不同图像。本文引入自适应遗传算法,将其和上述改进截集 FCM 算法有机结合,使遗传算法对聚类中心矩阵和隶属度矩阵给予指导。实验表明本文提出的自适应遗传算法改进截集 FCM 方法在区域对比度、区域内均匀性、形状参数、预处理要求以及计算费用等评价指标中比传统 FCM 算法和未改进的截集FCM 算法都有不同程度的改善,在保持聚类算法分割效果的同时提高了算法效率,使算法更具实时性。