石雪松，李宪华*，孙 青，宋 韬

（1.安徽理工大学机械工程学院，安徽淮南 232001；2.上海大学机电工程与自动化学院，上海 200444）

0 引言

图像分割是处理后续实际问题的基本预处理步骤，为初期图像处理和后期识别架起了桥梁。图像分割是将图片分割成目标和背景，目标如图像的突出区域、对象或对象的自然部分，其中分割过程是像素的分组过程，发生在邻域内具有相似属性的像素之间，如强度、颜色或纹理［1］。

噪声是计算机视觉处理中不可避免的一部分，如何避免噪声的影响是当前一个很有意义的研究方向。模糊C均值（Fuzzy C-means，FCM）算法是当前比较流行的图像分割方法，大量的研究人员对基于FCM算法的噪声图像分割方法展开了研究［2-6］，相比于硬分割方法，FCM算法能保留更多的图像纹理细节信息。鉴于传统FCM算法的抗噪性能弱，相关学者提出将FCM算法与其他算法相结合的方法来去除噪声。文献［7］提出了一种基于模糊C均值与人工蜂群（Artificial Bee Colony，ABC）优化的灰度图像分割方法。文献［8-9］提出了粒子群优化（Particle Swarm Optimization，PSO）算法［10］与FCM结合的图像分割方法。PSO算法、遗传算法［10］、灰狼算法的引入在一定程度上提高了图像分割的鲁棒性。其中，PSO算法在搜索过程中容易陷入局部极值，且在进化后期阶段收敛精度较低、速度较慢［11］。目前也有研究人员通过改进FCM算法来增强算法的抗噪性能，文献［12］中提出一种边缘细分的动态参数模糊C均值图像分割算法，文献［13］中在目标函数中引入了局部和非局部信息，通过信息熵调整像素信息和非局部空间信息之间的权重，增强了算法的抗噪性能。……