图像分割是计算机视觉和模式识别中最具挑战性的研究课题之一,是进行图像分析、理解与描述的一个重要前提,随着研究的不断深入,学者们已经提出了大量的图像分割算法,其中,最为经典的是基于模糊聚类的图像分割算法,现已广泛应用于多个研究领域。由于模糊C-均值聚类(fuzzy C-means,FCM)算法仅考虑了图像的灰度信息,而忽略了图像的空间信息,导致该算法对噪声较为敏感,针对上述问题,后续提出了多种利用空间信息的改进方案。本论文主要围绕FCM的改进思路及其聚类效果做了以下工作:首先,对标准的FCM算法进行了深入地研究分析,阐述了模糊聚类算法的优缺点,重点介绍了近年经典的FCM改进算法,将它们分为两类,第一类:利用图像局部空间信息的模糊聚类算法;第二类:利用图像非局部空间信息的模糊聚类算法;并对相关算法做了简要的原理分析和实验验证。其次,针对FCM算法收敛速度慢的问题,提出了基于组合隶属度的快速模糊聚类算法,该算法通过组合隶属度函数,对迭代中的隶属度矩阵直接进行滤波处理,避免了计算邻域信息耗时较高的缺点。组合隶属度函数不仅考虑了隶属度的局部信息,而且考虑了隶属度的空间信息,在确保算法对图像分割精度的前提下,有效降低了算法的时间复杂度。最后,针对FCM算法忽略邻域信息的问题,提出了基于组合距离的模糊聚类算法,该算法利用图像的冗余信息预先计算像素之间的相关性,通过定义新的组合距离来反映像素到聚类中心的特征距离和空间距离,不仅提升了算法的抗噪性,而且改善了算法的聚类效果。