图像分割属于图像处理的一种操作，它根据前期预定好的标准把图像中具有相同特征的区域划分到各个类别，在数字图像处理中有着极其重要的作用。前期分割图像这一子任务没有做好，会直接影响后面的下游任务，就会产生较大误差。
　　K-均值在人工智能和图像处理领域应用广泛，属于基于划分的算法，常被用于数据的聚类。初始中心和聚类k值的确定往往都会影响算法的性能。本文经过深入分析常用聚类算法，介绍了其优点和缺点，从以上两个问题出发，并针对传统K-均值做了优化，引入单类别EM过程，对原始K-均值算法进行改进，重新提出一种模型，从而提高算法分割性能。全文的工作有以下：
　　首先，初始聚类中心对K-均值算法影响大，并且聚类的数量需要主观输入图像。确定最佳值并不容易，并且细分将失败。已经提出了新的优化技术来解决该问题。群集数可以自适应确定；无需预先确定群集数。
　　其次，在分割之前，使用EM(exception maximization)过程的概念重新定义了一个全新的模型，即通过迭代聚类中心和搜索距离来得到最优解，以解决K-均值算法受初始聚类中心影响，从而对其敏感的问题。
　　最后，本文把优化后的算法使用到彩色图片和CT图像分割应用中，可以发现，根据图像分割的特性(例如灰度，纹理和区域覆盖率)，首先利用该模型来找到K-均值的最佳初始聚类数目和聚类中心，然后用改进后的算法对图像进行最后的分割。
　　为了测试该算法的可行性，本文选择了现有的优化算法Canopy和传统的K-均值算法进行仿真。结果表明，与传统的K-均值和现有的优化方法对比，该优化算法在收敛速度和度量指标上优势明显。每一项都表明，本文中提出的优化算法是更理想的。