李昌兴，王佳烨，吴成茂，乔彩彩，郝思佳

(1.西安邮电大学 理学院，陕西 西安 710121；2.西安邮电大学 通信与信息工程学院，陕西 西安 710121；3.西安邮电大学 电子工程学院，陕西 西安 710121；4.河南工学院 经济学院，河南 新乡 453003)

图像分割是根据像素的特征将图像分成不重叠的子区域，提取特定的特征区域，以备图像理解与图像识别[1]。目前，图像分割已广泛应用于生物医学工程[2]、智能交通[3]、军事安防[4-5]、智慧农业工程[6]等诸多领域。图像的特征提取和相关聚类算法的选择是图像分割的关键[7]。

模糊C-均值聚类算法[8](Fuzzy C-means Clustering Algorithm，FCM)因其简单易实现被广泛应用，但FCM算法对噪声极敏感。结合空间约束的模糊C-均值聚类[9](Fuzzy C-means Dlustering with Spatial Information Constraints,FCM_S)算法在FCM算法的基础上引入邻域信息，提高了算法抗噪性，然而，FCM_S算法在每次迭代过程中都需要计算像素点的邻域信息。为此，提出了FCM_S1与FCM_S2算法[10]，分别利用均值滤波和中值滤波在迭代前计算像素的邻域信息，算法的运行效率和抗噪性均有提升，但丢失了部分图像细节信息。广义模糊C-均值聚类算法[11](Generalized Fuzzy C-Means Clustering Algorithm，GFCM)在FCM算法的基础上引入了一个新的模糊参数，多数情况下GFCM算法性能优于FCM算法，但抗噪性依然较差。在此基础上，有学者提出了含有空间约束的广义模糊C-均值聚类[12](Generalized Fuzzy C-Means Clustering with Spatial Information Constraints,GFCMS)算法，通过中值滤波提升了算法鲁棒性。然而，上述算法中都需要人为控制的正则化参数。为此，后续的研究提出了模糊局部信息C-均值聚类算法[13](Fuzzy Local Information C-Means Clustering Algorithm，FLICM)，该算法无需人为设置正则化参数，自适应能力有所提升，但当噪声强度较大时，算法的抗噪性依然不理想。……