图像分割是图像处理的重要步骤，它是将一幅图像细分为一些区域，这些区域与图像中的不同目标相对应。换言之，图像分割就是将感兴趣的对象从图像背景中分割出来，这些对象在图像中一般都有其独特的性质。图像分割方法大致有以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法、以及基于特定理论的分割方法[1]。具体介绍如下：
（1）基于阈值的图像分割
图像阈值处理直观简单，在图像分割中应用较广泛。对图像 进行阈值处理，得到分割后的图像 ，定义为：
 其中： 为阈值，对于物体的图像元素 ，对于背景的图像元素 ，所以，阈值是阈值分割算法的关键，只要确定了一个合适的阈值，就能将图像分割出来。将阈值与各像素点的灰度值同时进行比较，能一次性完成分割，最后可直接看到图像区域。所以阈值分割运行效率高。26124
（2）基于区域的图像分割
分割的目的是把图像分成区域。区域生长和分裂合并都属于典型的串行区域技术，其后续的处理要依据前面步骤的处理结果确定。
区域生长是依据一定的相似准则将一些像素集合起来组成一个区域。具体方法是在每个待分割的区域选择一个像素作为种子开始生长，将种子像素点周围具有与之相似性质的像素点合并在种子像素所在的区域中，将形成的新像素点再作为一个新的种子，循环以上过程，直到再没有像素点可被包括进来。如此一个区域就长成了。
将图像通过区域分裂和合并任意细分为一组互不相连的区域，根据分裂准则将区域中特征相差较大的像素分离出来，再根据合并准则将特征相差较小的像素合并到一起。
（3）基于边缘的图像分割
两个区域之间灰度或结构发生突变的地方称为边缘，图像之间的灰度一般不同，具有明显的边界即边缘，但通常这种边缘是不连续的，这种不连续性可以通过一阶和二阶导数来检测。图像中亮度变化较快的地方，一个是一阶导数的极值点处，另一个是二阶导数的零交叉处。论文网
（4）基于特定理论的图像分割
许多其他领域的学科知识可以应用到图像分割技术中，近年来人们一直在将一些特定理论应用与图像分割中。例如利用聚类分析算法进行图像分割。
模糊C-均值（Fuzzy C-means，FCM）聚类算法是一种基于目标函数的模糊聚类算法，它属于基于特定理论的图像分割的范畴。目前，FCM聚类算法应用已十分广泛，本课题研究的是FCM聚类算法在图像分割中的应用。对图像进行分割时，要充分考虑到图像本身存在的不确定性和模糊性。针对这一点，FCM聚类算法令图像中的每一个像素点都对各类有一定的隶属度值，由于该算法具有非监督模糊聚类的特性，所以利用这一特性进行图像分割，可以减少人为干预，自动完成分割。但传统的FCM聚类算法并不十分完善，存在许多缺陷，例如初始值难以确定、分割图像时对噪声敏感、空间领域信息被忽略等问题。目前，许多研究学者在FCM聚类算法的基础上进行了多种的改进，大致分为两方面的改进，一方面引入优化算法进行改进，另一方面基于目标函数进行改进。下面简介关于FCM算法的国内外研究现状：
（1）引入优化算法改进FCM聚类算法
在文献[2]中，作者首先介绍了751类聚类算法，其中有谱系聚类算法、图论聚类算法、基于密度的聚类方法等，分析并比较了各自的优缺点，随后引出FCM聚类算法，为了寻求最佳的类别数C，作者提出了遗传算法。所谓遗传（GA，Genetic Algorithm）算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法[3]。在文献[4]中，由于FCM聚类算法受初始值影响较大，在迭代时容易陷入局部极小，针对这一问题，作者利用遗传算法的并行全局搜索能力对FCM聚类算法进行改进。在文献[5-6]中，作者同样结合遗传算法优化FCM聚类算法。在文献[7]中，作者提出了在算法中引用模糊聚类有效性函数，对聚类数目C进行优选，然后将模拟退火算法和粒子群算法应用到FCM聚类算法中，进而改进聚类效果。模拟退火算法是一种通用的全局优化算法，它模仿了金属材料高温退火液体结晶的过程[8]。微粒子群（PSO，Particle Swarm Optimization）算法是一种基于生物群体模型的进化算法[8]。文献[9]同样提出了通过模拟退火算法求初始聚类中心，同时利用模拟退火算法的全局搜索方法预测聚类中心的初始值。 国内外图像分割技术研究现状和发展趋势:http://www.751com.cn/yanjiu/lunwen_20194.html