王 迪，董素芬，程 芳，赵 艳，李 今

（河北农业大学 信息科学与技术学院，河北 保定 071000）

1 引言

消费者对畜肉质量和安全问题日益关注，利用计算机视觉技术对畜肉分级的方法种类繁多。其中，图像分割对畜肉分级评定的准确度非常重要。分割图像所采用的方法的鲁棒性、适应噪声的能力和分割效果都对后续畜肉特征提取的有效性有很大影响［1］。

针对传统的最大类间方差法及使用阈值分割和分水岭算法［2］分割图像效果不佳、噪声适应能力不强的问题，以及核磁共振、高光谱成像等无损检测方法大多存在检测仪器体积大、不便于携带、成本高等问题，运用聚类进行图像分割的方法能够获得更好的效果，受到学者们的广泛关注。

在聚类方法中，K均值（K-means）［3］图像分割方法，能够处理非理想环境下的图像，但是Kmeans方法属于硬聚类，对目标图像的边缘处理效果不佳，对图像中的噪声的鲁棒性也不强，不能达到预期效果。而模糊C均值聚类（Fuzzy C-Means Clusterin，FCM）［4］图像分割方法，可以通过优化目标函数得到每个像素点对所有类中心的隶属度，从而决定像素点的类属以达到自动对图像数据进行分类的目的，虽然效果优于K-means方法，但是FCM仍然存在对不确定信息的表达能力不足，不能很好处理聚类的边界异常值以及易陷入局部极小值的问题［5］。

针对以上问题，直觉模糊C均值（Intuitional Fuzzy C-means，IFCM）聚类［6］通过引入隶属度、非隶属度和犹豫度3个参数来表示模糊集，克服FCM算法分割时计算目标函数容易陷入局部极小值的问题。……