遥感图像分割在遥感图像解译中起着举足轻重的作用。遥感图像分割,就是对遥感图像进行处理,并从中提取目标的过程。但是由于其对比度低、灰度级多、信息量大、边界模糊、结构复杂、易受噪声干扰等问题的存在,使得遥感图像分割没有可靠的模型进行指导,因而在一定程度上阻碍了图像分割技术在遥感图像邻域的应用。到目前为止还不存在一种通用的、能使各种类型的遥感图像达到最优分割质量的遥感图像分割方法。近年来,由于研究者们不断创新和改进,遥感图像分割算法有很多种类,这些算法都基于不同的原理而来。本文主要探究的是模糊C均值聚类(FCM )以及阈值分割算法在遥感图像分割上的应用。并在此基础上提出了一些新的改进算法。具体研究内容如下:1、针对经典的FCM是基于像素的分割方法,既没有考虑图像的灰度强度不均匀,也没有考虑像素的空间信息,所以对噪声比较敏感,且对局部灰度值不均匀处理也不够理想。我们提出了一种改进的基于FCM的噪声偏量域或增益域估计算法。该算法在噪声偏量域或增益域估计的过程中引入邻域隶属度信息。在FCM迭代中,对算法进行上下截集半模糊化处理,从而提高分类的速率和准确率。实验结果显示了较好的分割效果和较强的抗噪能力。2、针对经典的FCM对噪声十分敏感,并且依赖于初始聚类中心选择,算法通常得到的是局部最优解而非全局最优解。本文首次将猴王遗传算法、量子遗传算法等智能算法与结合空间邻域信息的FCM相结合,利用改进的FCM算法的目标函数建立适应度函数,利用智能算法搜索全局最优解,代替FCM的基于梯度下降的迭代过程,从而有效地避免了模糊C均值聚类算法收敛到局部最优和对噪声敏感的问题。在此基础上实现了对遥感图像的聚类分割。实验结果表明,该算法对于遥感图像显示了较好的分割效果和较强的抗噪能力。3、针对最大类间方差法(OTSU )缺乏自适应性,会造成噪声干扰和过分割现象,同时也需要大量的运算时间的问题,本文提出首先对图像进行处理,引入一个邻域空间和灰度相似测量因子H ij来进行抗噪并且保护图像细节。再将改进的OTSU算法与混合蛙跳(SFLA)相结合。利用混合蛙跳算法对图像分割的最佳阈值进行搜索优化,以减少计算量,提高收敛速度,实现全局最优。实验结果表明该算法比传统OTSU算法大大提高了运算速度和抗噪性能。