1、圖像分割是從圖像處理到圖像分析的關(guān)鍵，不僅是目標表達的基礎(chǔ)，而且關(guān)系到測量特征值。原始圖像會被圖像分割及其基于分割的目標的表達、特征的提取和參數(shù)的測量等方式變成抽象而緊湊的形式。圖像分割為高層的圖像分析和圖像理解打下了基礎(chǔ)，因此，研究和發(fā)展有效的圖像分割技術(shù)就顯得尤為重要。本文通過引入圖像的空間約束項及將紋理特征融合到模糊聚類算法中，得到改進算法EnFCM T和EnFCM TD。
　　本文圍繞模糊聚類算法的改進及其在圖像分割中的應(yīng)

2、用主要做了以下工作:首先，做了FCM分割算法和紋理圖像分割算法的仿真研究，并且通過對仿真實驗的分析，看到了兩種方法各自的優(yōu)缺點以及改進途徑。
　　針對傳統(tǒng)的FCM算法沒有考慮像素的空間信息以及對噪聲敏感的的缺點，通常的做法是把空間信息直接加在原來的目標函數(shù)上，但是此操作使得對目標函數(shù)每次進行迭代時都要重新掃描所有的像素點，這樣做就會大大降低分割速度及占用很大的空間，所以本文提出了EnFCM T算法。該算法在傳統(tǒng)的FCM算法的基礎(chǔ)上

3、同樣引入空間信息，但是它把空間信息和原圖像進行線性疊加，并把疊加結(jié)果圖作為后續(xù)操作的初始圖像;同時在疊加的結(jié)果上進一部融合了紋理特征，提高了分割性能和速度。
　　鑒于聚類算法很大程度上依賴于聚類算法中度量距離的定義，為了進一步提高EnFCM_T算法的性能，在第五章中對聚類距離進行了改進，將局部標準差引入距離度量標準中，得到了另一新算法EnFCM_TD。
　　最后，通過仿真實驗比較FCM、EnFCM_T和EnFCM_ TD三種