伴随遥感探测技术和航天技术的高速革新,遥感平台传回的高分辨率图像涵盖的信息也日渐丰富,其中涵盖了广泛的地球地表信息和光谱信息,如地表的形状、纹理等内容。遥感图像携带的丰富数据量为众多领域应用打下了良好基础,但遥感图像所含有的丰富数据在当前并不能转变为有效信息以供人类使用,因此需要人们加大在遥感信息提取方面的投入,同时也是众多研究领域的一项发展基础,旨在将遥感信息携带的有效信息实现高效率转化,并使其在众多研究领域内实现深入的应用。首先需要将遥感图像进行有效分割,图像分割的优劣将直接决定了后续的特征提取等质量。聚类分析作为当前经典的多变量统计方法,已经成为多个领域数据分析汇总使用较为频繁的工具之一,聚类分析理论和应用推动了当前如机器学习、图像处理、生物学等多个领域的不断发展。聚类算法属于一种无监督的学习方法,即不需要进行训练样本,这就使得聚类方法能够很好的应用在图像分割领域。本文所涉及的图像分割技术则是在当前研究成果基础上进行的改进,即针对当前模糊C均值聚类以及Mean Shift聚类过程中难以确定聚类中心、受噪声干扰严重等问题,提出了新的算法。为了获得良好的遥感图像分割效果,本文在现有理论和图像分割算法的基础上进行了探究。因为遥感图像受到拍摄环境的影响较大,图像往往具有一定的模糊性以及不确定性,云模型理论则是针对模糊性以及不确定性理论基础上实现的,达到的一种量中有性、性中有量的最终目标,进而保证分割过程的鲁棒性,利用云发生器完成了定量与定性之间的转换过程。截至目前,有关云模型理论在遥感图像处理领域的研究还比较少。本文也将较新的、来自信号处理领域的压缩感知理论融入到遥感图像分割理论进行研究,压缩感知理论在采样领域中发挥了较好的功效,该理论能够保证在较低的带宽中完成采样过程,继而有效避免了奈奎斯特采样定理的带宽限制。压缩感知理论包括三种矩阵,其中信号稀疏表示,是通过较少的数据样本来对全局信息进行表述;并通过观测矩阵实现对稀疏信号的映射过程,继而形成数据的观测矩阵;压缩感知重构属于压缩感知理论中的重要部分,是将获得的观测信号转变为原始信号。本文基于云模型以及压缩感知理论在遥感图像分割中的应用进行了理论和实验分析研究,其中工作主要有:(1)使用逆向拟合多维云变换方法实现对遥感图像数据聚类中心的定位,有效解决了当前传统的模糊C均值聚类分割FCM(Fuzzy C-means Clustering,FCM)理论中需要预先确定分类数目中存在的干扰因素。在单云核变换方法基础上,首次提出将多维云变换发生器理论应用在图像分割领域中,这种方法相比于单云核变换而言,最终的实验结果发现多维云变换能够很好的避免模型中频率分布问题,继而保证获得的云模型期望值与原图像期望值差值更小。(2)为了进一步将处于不同区域的同类云模型进行合并,本文提出了一种基于期望Ex比值最大—熵En的反向加权算法,在对不同云模型表现出的聚集性进行考量的基础上,也充分认识到相邻云模型的关系,经过云合并之后获得的期望值向量将成为FCM的聚类中心,这种算法技术对于处理灰度和遥感图像取得了良好的效果。基于模糊性以及随机性云模型聚类所获得的聚类数量,便是本文提出的基于云模型的FCM聚类(FCMCM)算法,能够很好的实现分割遥感图像的目的。经过实验验证,分割效率有了质的突破。(3)高分辨率图像涵盖的信息日渐丰富,其中涵盖了大量的地球地表信息和光谱信息,如地表的形状、纹理等内容。遥感图像携带的丰富数据成为众多领域的研究热点,本文将信号处理的压缩感知理论首次植入图像分割领域中。实现了图像数字特征的提取,并建立了过冗余字典,并将数字特征方程与过冗余字典相乘形成新的复合字典,然后使用其对图像进行稀疏表示,进而实现降维的目的。经过稀疏表示后,非零元素可以称为图像分割算法中定义的超像素。不同超像素区域所涵盖的像素表现出较强的统计性,如纹理、色彩等;将超像素视为个体,融入到聚类算法的处理过程中,完成超像素聚类分析之后,还需要在超像素基础上进行聚类结果标记工作,以保证分割结果并不会对图像主要结构产生破坏。经过实验验证,算法空间复杂度得到了大大的降低,主观上分割效果也得到了一定改善,不过信号重构方面并没有完成理论和实践的验证工作。最后,利用本文提出的改进算法模型,提出两种图像聚类分割算法,并对最终的分割精度以及其它参数进行了对比分析,实验证明对于模糊特性的遥感图像分割,使用基于云模型理论的聚类分割算法能够获得更好的效果。