图像分割是图像工程的基本技术,也是对图像进行分析和理解的关键过程。传统的分割算法有很多,如边缘检测方法,阈值法等其他方法。但图像中包含的不确定性、模糊性及复杂性,往往造成传统算法不能得到好的分割结果,也使得后续结果分析受到影响。模糊聚类理论的提出,正好能够表述图像的这种特性。因此,在图像分割的研究中被许多学者应用,证明了模糊聚类理论的应用能够得到更理想的分割结果,优于传统算法。模糊C均值(Fuzzy C-Means,FCM)聚类算法获得了图像领域很多学者的认可,该算法的数学理论完善且应用的途径广泛。FCM算法通过不断迭代优化隶属度矩阵和聚类中心,划分图像中的所有像素归于哪些类,得到目标函数最小值,很好的体现了图像的模糊特性,更好的避免了一些其他分割算法的困难。但该算法并不是十分完美,其也存在一些缺陷,比如初始化参数时,偏差太大就容易陷入局部极小值;只是简单计算各个像素的信息,没有计算像素的邻域信息等,所以当图像复杂或者含有噪声,则会影响结果;迭代次数增加,计算量大,太耗时等。论文主要研究了模糊聚类图像分割算法。针对图像分割的发展现状和模糊聚类算法在图像分割应用过程中遇到的问题,主要研究了如下内容:(1)阐述了研究背景和意义,具体论述了常用分割算法的内容,比如阈值,区域生长,边缘检测以及融合其他理论的方法。详细介绍了模糊聚类基础知识,对模糊聚类算法目前的研究现状和暴露出来的问题进行了分析。然后重点对标准FCM聚类算法和细菌觅食算法及其初始化它们的参数问题做了认真研究,总结了在图像分割时,两种算法的优缺点。(2)模糊C均值聚类算法初始聚类中心人为设定。如果其设定与全局最优聚类中心偏差太大,或算法在迭代过程中出现问题,都会造成FCM算法陷入局部最优值。针对上述问题,论文提出自适应细菌觅食的FCM聚类优化图像分割方法。其借助细菌觅食(Bacterial Foraging Algorithm,BFO)算法具有较强并行搜索性,容易脱离局部极值等优点,非常适合解决较复杂的优化问题。然而BFO算法在解决不同的问题时,参数没有适应性,易造成收敛速度下降,解的精度不准确。论文通过采用Tent映射初始化细菌群体,并引入自适应维度学习,为细菌群体寻找最佳觅食位置进行改进,避免BFO算法通过改变细菌所有的维度值,增加了搜索时长,从而导致算法的收敛速度和解的精度被影响。同时结合FCM算法加快了收敛速度且避免算法陷入局部极值。通过实验和数据对比,得出该算法分割图像可得到很好的分割效果,且实时性很好。(3)针对彩色图像分割进行研究,本文通过对比分析了RGB和HSI颜色空间的一些特征,将RGB空间通过计算变成HSI空间,利用提出的自适应细菌觅食的FCM聚类优化算法来进行彩像分割。同时,因为模糊C均值聚类算法中欧氏距离适用范围太局限,所以本文采用了特征距离。通过仿真实验证明,该算法对彩色图像的分割也可取得较理想的分割效果。