图像分割是指将图像分成若干个具有独特性质的区域并提取感兴趣区域的技术和过程,是完成图像识别、目标跟踪等复杂处理任务的关键步骤.近年来,模糊C均值(FCM)聚类算法作为一种无监督聚类算法,成功地应用在数据分类和图像分割等领域.该算法将模糊概念引入到图像像素的隶属度,使得FCM算法比传统的k均值算法保留了更多的原始图像信息,因此受到了广泛的关注.它最早由Dunn提出,并由Bezdek将之推广.然而传统的FCM聚类算法在进行图像分割时要事先确定聚类数目、聚类中心以及初始隶属度矩阵,容易陷入局部极值,没有考虑空间信息,导致对噪声敏感.本文将结合空间信息的模糊C均值聚类图像分割算法作为重点研究对象.分析比较了几种经典结合空间信息的改进FCM算法的优缺点,并在邻域加权的FCM算法(NWFCM)基础上,提出了两种改进的邻域加权FCM算法.NWFCM算法对噪声的抗干扰性较弱,且相似性度量计算复杂度高,因此提出了DCT子空间的邻域加权模糊C均值聚类方法.该方法首先结合分块的思想,对图像块进行离散余弦变换(DCT),建立了一个基于图像块局部信息的相似性度量模型；然后定义目标函数中的欧式距离为邻域加权距离；最后将该方法应用于加噪的人工合成图像、自然图像和MR图像.实验结果表明,该方法具有良好的分割效果,较强的抗噪性,同时计算复杂度也有所降低.邻域加权的模糊C均值聚类算法在进行图像分割时构建的邻域权值函数对图像块的中心像素关注度不高,导致对强噪声敏感及边缘纹理信息的处理粗糙,因此提出了一种结合小波变换和改进邻域权值的FCM算法.该算法首先在原始灰度图像的基础上进行小波多分辨率分析的自适应阈值去噪处理；然后在重构图像上结合双边滤波的思想构建一个基于图像块局部空间邻域信息和灰度值域信息的改进邻域权值函数.实验结果表明,该算法比传统FCM算法以及FCM的改进算法有更高的分割精确度,对强噪声更具鲁棒性,图像边缘也更加平整.