图像分割是指把图像分解成各具特性的区域并提取出有用目标的技术和过程,它是由图像处理到图像分析的一个关键步骤,在图像工程中占有非常重要的位置,并且已在诸如计算机视觉、图像编码、模式识别和医学图像分析等很多领域有着实际的应用。人工生命的方法有助人们了解生物学规律,并且在机器人、计算机图形学等方面得到了成功应用。蚁群算法作为人工生命算法的一个分支,是由真实蚁群活动的启发而逐步发展起来的一种模拟蚂蚁群体智能行为的算法。它具有较强的稳定性、分布式计算和易与其他算法结合等优点,个体之间不断地进行信息交流和传递,有利于寻找到较好的解。根据图像自身存在许多不确定性和不精确性,人们发现模糊理论对于图像的这种不确定性有很好的描述能力,而图像分割问题恰好是将图像的像素点进行分类的问题,近年来一些学者致力于将图像聚类应用于图像分割中,效果要好于传统的图像分割方法,但是经典的模糊聚类分割方法仍然存在一些问题。本文以模糊聚类的图像分割方法为研究重点,详细地分析了其原理和发展现状,并对模糊聚类算法在图像分割时的不足进行了如下改进:①引入蚁群聚类,利用蚁群算法的全局性和鲁棒性有效的克服模糊聚类对初始参数的敏感,由蚁群聚类算法得出初始聚类个数及中心,再将其作为模糊聚类的初始参数,从而对图像进行分割。这一改进算法降低了分割对初始参数的敏感程度。②介绍与分析当前模糊聚类算法和其发展历程,通过大量文献和实验,分析模糊加权因子m对模糊聚类的影响,得出模糊加权因子1≤m≤3的时候,模糊聚类图像分割的效果最好。③针对传统的模糊聚类算法鲁棒性差的不足,结合Markov随机场的提出了一种改进的模糊聚类图像分割算法。模糊聚类方法不考虑图像像素与其邻域内其它像素的相关性,因而对噪声非常敏感。利用Markov空间约束场对模糊核聚类算法施加空间约束,可有效性增强算法的鲁棒性。对多种不同图像的分割实验表明,本文算法比改进前显著地降低了误分率。