图像分割是通过把图像划分为各具特性区域的一种技术与过程,是对图像进行分析和理解的基础,它可以使图像各具特色,在图像工程中具有十分重要的地位。模糊理论知识对于图像分割具有不确定性有个很好的解释,从而近些年来关于模糊聚类的图像分割有了广泛的研究与应用。本文的主要工作在现存的模糊聚类算法基础上,讨论了改进的模糊C-均值聚类对图像聚类分割的问题,全文共分为五章:第一章,介绍了本文的研究背景与意义,图像分割和模糊C-均值聚类算法的国内外研究现状。第二章,阐述了硬C-均值聚类(HCM)、模糊C-均值聚类(FCM)、改进的模糊C-均值聚类(IPCM1)与熵C-均值聚类(ECM)的基本概念及其理论基础。第三章,基于模糊C-均值聚类理论,提出了一种改进模糊C-均值算法,同时给出了 MPCM算法的计算过程和具体实现步骤。实验结果表明MPCM使得数据点划分和图像聚类更加清晰。第四章,提出了一种新的模糊C-均值聚类IMPCM方法并证明了其收敛性,讨论了 IMPCM算法在图像聚类分割中的应用。通过实验发现IMPCM算法相对于IPCM1算法缩短了运行时间,同时提高了图像分割效果的准确性。第五章,总结了本文的内容,说明了本文算法的优缺点,并且展望了后续的研究工作。本文算法建立在IPCM1的基础之上,指出了 IPCM1算法在噪声处理方面效果不太好,图像分割时精度不够高,对IPCM1算法进行了改进,提出了 MPCM和IMPCM算法。实验结果表明,本文算法在图像分割精度上优于其他方法,提高了算法的鲁棒性。在噪声图像分割过程中,噪声干扰被更好地抑制。本文提出的聚类分割结果更接近于人们的视觉效果,因此本文算法比IPCM1算法具有更好的通用性。