图像分割是图像处理与图像识别的一个关键步骤,图像处理和计算机视觉领域的核心在于如何精确高效的分割图像。图像分割的目标是把图像划分成各具不同特征且互不重叠的区域,然而在实际分割过程中,除了图像本身存在的噪声外,还有其他大量的不确定因素,导致分割结果不理想。为了获得良好的分割效果,除了对已有图像分割算法进行改进外,学者们还提出将其他智能算法与特定理论相结合的方法,如基于特征空间聚类法的图像分割算法,它根据图像空间中的像素点构造出一个对应的特征空间点,然后分割特征空间,最后再将它们映射回原图像空间,得到分割结果,而基于聚类分析的模糊C均值算法(Fuzzy C-Means,FCM)就属于这类算法,它通过优化对应的模糊目标函数达到聚类目的,由于其设计简单且人为干预较少等特点,适合处理实物内存在的不确定性,因此越来越受到人们的关注,并在各个领域得到了广泛的应用。为了提高图像分割的精准度,更妥善地处理图像中存在的不确定性信息,本文将中智学理论引入到图像分割算法中。中智学理论隶属于哲学范畴,能更好明确量化数据的不确定性。本文将中智学理论思想与FCM算法相结合,提出四种图像分割方法,并将提出的方法进一步应用到医学图像领域,具有一定的实际应用价值。本文的主要工作概括如下:分析研究FCM算法在目前图像分割过程中的不足,将中智学理论引入FCM算法,提出基于中智模糊集合的FCM算法,该方法对模糊边缘的处理更加合理,并将其应用于中智学图像分割过程。实验结果表明,引入中智学理论图像分割算法能够获得比FCM算法更好的分割效果。为了改善图像分割过程中FCM算法对初始值参数依赖性强以及分割精度不高的问题,将粒子群优化算法(Particle Swarm Optimization,PSO)引入到FCM的图像分割过程中,利用PSO算法的快速收敛性改善抗噪声干扰能力,提高图像的分割精度。实验结果表明,在中智学图像分割过程中,本文提出的PSO-FCM能够获得比FCM更好的效果。将PSO算法应用到FCM图像分割过程中后,图像分割的精准度明显提高,但是算法的迭代次数增多数十倍。为了减少算法迭代次数,对PSO算法的速度及位置的更新方式进行改进,提出新的思路:首先将粒子的速度更新方式分为两种:一是保持迭代更新后的速度;二是取部分最优速度求平均值。然后比较两种不同速度更新方式下的目标函数,将目标函数最优的速度更新方式保留,并更新粒子的位置信息。最后将改进的PSO算法引入到FCM算法中,对中智学图像进行分割。实验结果表明,本文的方法可以在较快的时间内收敛获得最优解,得到较为理想的结果。FCM算法的本质为用梯度下降法以寻找全局最优解,因而容易陷入局部最优;PSO算法在迭代寻优过程前期收敛速度过快容易造成种群的多样性下降,且在迭代过程后期收敛速度减缓,更易陷入局部最优。为了提高算法收敛过程中种群的多样性,平衡算法的全局搜索能力和局部开发能力,本文引入了量子行为粒子群优化算法(Quantum-behaved Particle Swarm Optimization,QPSO),提出QPSO-FCM算法,并将其应用于中智学图像分割。实验结果数据表明,本文的方法能够寻找到全局最优解,且测试图像的边界分割清晰准确,对要求高精度分割的医学图像也能获得较为满意的效果。