1、圖像分割是指將圖像劃分成一系列彼此互不交疊的勻質(zhì)區(qū)域。它是圖像處理和計算機視覺的基本問題之一，是實現(xiàn)從圖像處理到圖像分析，進而完成圖像理解的關(guān)鍵性步驟，并且已在諸如計算機視覺、模式識別和醫(yī)學(xué)圖像處理等實際中得到了廣泛的應(yīng)用。 在眾多圖像分割算法中，模糊C均值聚類（Fuzzy C—Means， FCM）算法的應(yīng)用十分廣泛。傳統(tǒng)的模糊C均值聚類算法是通過歐式距離來建立目標(biāo)函數(shù)，在分類效果上存在一些不足。目前，許多研究者通過定義其它距

2、離方式來建立目標(biāo)函數(shù)，以改進傳統(tǒng)的模糊聚類算法，應(yīng)用較廣的是一種采用核函數(shù)的方法，通過核距離的方式來建立算法的目標(biāo)函數(shù)，設(shè)計了模糊核函數(shù)聚類算法。 盡管模糊核函數(shù)聚類算法提高了算法的分類能力，但是算法在處理數(shù)據(jù)樣本時，聚類中心計算的準(zhǔn)確度不高。此外，算法忽略了圖像的空間連續(xù)性信息，對于圖像中的噪聲較敏感，算法的聚類效果不好，針對上述問題，本文在模糊核函數(shù)聚類算法的基礎(chǔ)上做了進一步探討與研究，引入了噪聲類及Markov隨機場，以達

3、到增強算法的分割能力，其主要研究內(nèi)容如下： 1．介紹了模糊C均值聚類算法相關(guān)內(nèi)容，并闡述了算法的優(yōu)缺點。在此基礎(chǔ)上，介紹了與核函數(shù)相關(guān)的定義、基本原理以及核函數(shù)的選擇，分析了模糊核函數(shù)聚類算法的思想，并通過仿真實驗驗證了該類算法對傳統(tǒng)模糊C均值聚類算法分類能力的有效提高。 2．為了提高模糊核函數(shù)聚類算法的聚類能力，本文將噪聲類的概念融入到模糊核函數(shù)聚類算法中，設(shè)計了一種含噪聲類的模糊核函數(shù)聚類算法，并通過使用IRIS數(shù)據(jù)

4、對算法進行仿真實驗，驗證了算法的有效性。 3．為了進一步提高算法的精度，本文設(shè)計了基于Markov隨機場和噪聲類的模糊核函數(shù)聚類算法，在算法設(shè)計過程中，結(jié)合了基于隸屬度矩陣的Markov隨機場先驗?zāi)Ｐ停瑫r融入噪聲類的概念，并將算法應(yīng)用于人工合成紋理圖像以及醫(yī)學(xué)圖像中，驗證了算法的可行性和優(yōu)越性。 本文所設(shè)計的算法均在MATLAB環(huán)境中得到了實現(xiàn)，在實現(xiàn)過程中將各類實驗結(jié)果同相關(guān)算法進行比較，驗證了本文所設(shè)計的算法的可行