摘 要： 图像是人类获取信息的重要内容。把图像分解成各具特性的区域并提取出有用目标对人们的日常生活和科学研究具有十分重要的作用。但图像在形成、传输和记录过程中会受到诸多因素的影响，要有效地从图像中提取出感兴趣的目标具有一定的难度。因此，研究和发展有效的图像分割技术就显得尤为重要。 在图像分割方面，由于图像信息本身的复杂性和不确定性，在处理过程中不可能清楚知道图像中的各个物体和它们的位置，而模糊聚类分析具有描述这种问题的能力，因此将模糊聚类方法应用于图像分割，在一些场合比传统分割方法具有更好的效果。
关键词：图像分割；C一均值聚类；空间距离
图像作为人类感知世界的视觉基础，是人类获取信息、表达信息和传播信息的重要手段。但是，由于图像在形成、传输和记录过程中受诸多因素干扰，如各种热、电噪声的干扰及成像设备的局限性等，都会造成图像的模糊和变形，影响人们对其中重要信息的提取。
一、应用模糊聚类方法进行图像分割的基本理论
图像分割就是将图像表示为物理上有意义的连通区域的集合。人们一般是通过对图像的不同特征如边缘、纹理、颜色、亮度等的分析达到图像分割的目的。图像分割通常是为了进一步对图像进行分析、识别、跟踪、理解、压缩编码等，分割的准确性直接影响后续任务的有效性，因此具有十分重要的意义。
1.1 图像分割的一般模型
分割出来的图像区域的均匀性和连通性。其中，均匀性指的是该区域中的所有像素点都满足基于灰度、纹理、彩色等特征的某种相似性准则，连通性指的是该区域内存在连接任意两点的路径。相邻分割区域之间针对选定的某种差异显著性。分割区域边界应该规整，同时保证边缘的空间定位精度。
1.2 图像分割方法
基于阈值选取的图像分割方法是提取目标与背景在灰度上的差异，把图像分为具有不同灰度级的目标区域和背景区域的组合。阈值法对分割目标和背景对比较强的景物有着很强的优势，计算较为简单，并且可以用封闭和连通的边界定义不交叠的区域，是图像分割中最有效且实用的技术之一。根据获取最优分割阈值的途径可以把阈值法分为全局阈值法、动态阈值法、模糊阈值法和随机阈值法等。
二、改进的基于模糊C一均值聚类的图像分割算法
2.1 基于模糊C一均值聚类的图像分割算法存在的问题
基于模糊C一均值(Fuzzy C—means，FCM)聚类的图像分割算法在特征提取中未考虑其空间信息，对于分割含噪声的图像不能得到满意的结果。为了在图像分割的过程中能有效抑制噪声的影响，很多学者对传统的FCM聚类算法做了改进，其中文献李艳红．基于模糊聚类分析的图像分割算法研究．武汉：武汉理工大学，2007．
