图像分割技术是图像处理与分析的基础工作,传统图像分割技术大多是以像素为基本单元进行。超像素技术是一种将具有相似颜色、纹理、亮度等特征的相邻像素形成一系列像素区域的技术。基于超像素的图像分割既保留了图像分割的重要内容,又不破坏目标物体的边界信息,可以大大简化图像表示,降低后续图像处理任务的复杂度。基于超像素的图像分割的关键点在于超像素生成,聚类是生成超像素的有效方法。为此,本文重点研究密度峰值聚类和中性集模糊聚类及其在超像素生成和图像分割中的应用。本文的工作内容主要包括以下三方面:(1)密度峰值聚类(DPC)是一种基于局部密度的聚类方法,在DPC中影响算法的效果的两个基本因素是局部密度定义和类中心选择。针对经典DPC在定义局部密度时没有考虑到邻域内样本点的分布情况,以及无法自动选择类中心等问题,提出一种基于分布的自动阈值密度峰值聚类算法,并将其应用于超像素生成。实验表明,新算法不仅能够自动选择聚类中心,而且相比已有原算法能获得更高分类准确度,所获得的超像素图像质量更高。(2)针对中性集模糊聚类(NFC)分割方法初始参数需要人工干预,且没有考虑空间信息对噪声和分割效果影响,提出密度峰值优化的非局部中性模糊聚类的图像分割算法(DP-NLNFC)。该方法通过密度峰值算法合理的初始化参数。通过多次实验表明新方法的抗噪能力更好、分割也更准确。(3)通过结合上述两种算法的优点,提出一种混合的基于密度聚类的图像分割方法。该方法首先利用基于分布的自动阈值密度峰值聚类对图像进行预处理得到超像素图,然后通过基于密度峰值选择合理初始参数,再利用DP-NLNFC在超像素图的基础上进行聚类得到图像分割结果。实验表明提出方法能高质量、高效地完成图像分割。