李 伟

(哈尔滨工程大学 信息与通信工程学院，哈尔滨 150001)

图像分割是计算机视觉研究中重要的研究领域.根据Fu和Mui 的综述，图像分割的方法可以被归为3 类，即特征阈值化和聚类、边缘检测、区域检出［1］.模糊聚类分析是非监督模式识别的主要技术之一.模糊聚类在图像分割中是一种较好的方法，能有效解决经典数学不能精确表达的问题，是一种有效的聚类方法.该算法广泛应用于特征分析、模式识别、图像处理与分析、智能信息处理等领域［2－3］.本文用K 均值聚类算法对模糊C－均值(FCM)聚类算法进行改进，对灰度图像进行聚类分割.FCM 算法是由Dunn 提出，经过Bezdek 的推广后，获得了较广泛的应用.该算法用于图像分割，是一种非监督模糊聚类后标定的过程，适合于图像中存在模糊性和不确定性的特点.然而，由于传统的FCM 算法实际上是一种基于像素分类的图像分割方法，仅利用了图像的灰度信息而没有考虑像素的空间信息，对于分割含噪图像不能得到满意的结果.该算法存在着一些明显的不足:1)有时聚类类数无法预先确定，使用时需要确定聚类的有效性准则;2)类中心位置不一定事先知道，必须进行初始猜测;3)对大数据样本集进行聚类时，运算开销太大.4)对初始化极为敏感，容易陷入局部极小值而得不到全局最优解［4］.这些不足之处限制了该算法的应用.

本文结合图像的邻域信息，对图像的直方图作均衡化处理，把原本不清晰的图像变得清晰，通过……