图像分割是计算机视觉和模式识别领域中一项关键的预处理技术,是一个把图像按照一定规则划分为若干个区域的过程。传统的分割方法都有其局限性已不再适应于当今多样化的应用需求,故图像分割依然是当下值得学者不断深入研究的重要热点课题。图像可以携带更多的信息,因其复杂性导致有些像素归类是难以取舍的,由于模糊C均值聚类(Fuzzy C-mean clustering,FCM)算法结合模糊理论善于处理具有不确定且模糊特征的图像信息而被广泛应用,与此同时传统的FCM算法也存在一些不可避免的局限性有待改进。因此,本文主要是针对FCM算法中随机初始化聚类中心,手动设定分类类别数以及未曾将空间信息考虑在内导致的分割性能不佳、抗噪性差等不足为突破口开展研究工作,根据FCM算法的不同角度出发提出的两种改进方法如下:方法一:第三章中针对FCM算法随机初始化聚类中心会影响聚类性能,本文首先用引力搜索算法和粒子群优化算法相结合的方法输出的最终阈值作为FCM算法的初始聚类中心,避免陷入局部最优;其次,借助核函数的优势打破FCM算法对数据非线性处理能力的局限性,提高了整体算法的分割性能。方法二:在第四章中针对FCM算法对含有高斯噪声和椒盐噪声图像的分割结果不尽人意,当污染程度较高时甚至为错分割这一现象,提出了基于直方图的隶属度滤波的模糊C均值聚类图像分割算法,在图像一维直方图中得到的波峰点按照一定舍取规则客观确定分类数目,使所得结果能更加贴近真实结构;其次在此基础上,通过对FCM算法最终循坏迭代输出的隶属度矩阵进行滤波的方式,在不增加算法复杂度的同时考虑到隶属度的邻域信息,本文采用积分图加速的非局部均值滤波使其重新划分达到增强算法抗噪性以及提高分割精度的目的,通过对合成图分割结果采用分割精度SA指标的定量分析比较以及对真实图的实验验证,表明本文算法在有效去噪的同时分割更加准确,边缘轮廓较为光滑,具有一定的优越性。