在机器视觉和图像理解中,图像分割是非常重要的环节,是图像处理等领域中主要研究课题之一。图像分割结果的好与坏直接决定了后续图像分析、图像理解和模式识别的结果,因此具有较高的研究价值。一种快速刀具图像分割以及特征检测方法,对于提高视觉数控刀具检测仪工作效率、进行图像匹配、图像识别,甚至图像三维建模都有着重要意义。本文研究的主要内容是基于模糊C均值聚类(fuzzy c mean clustering,FCM)算法的刀具图像分割、轮廓跟踪以及特征提取的研究。针对传统的FCM算法在样本数和特征数较多时,运算较为复杂以及耗时较多的问题,提出了一种直方图相关性作为约束采样率的快速多阈值FCM分割算法,控制图像失真,使得需要运算的数据量减少,来获得较快的分割速度以及较好的自适应性。对经过FCM算法分割出来的刀具图像,进而又研究了轮廓跟踪算法,通过实验对比邻域轮廓跟踪算法的优缺点,引入了编码技术,得到刀具连续轮廓。通过检测到的轮廓,分别进行了三点求曲率、Harris角点检测、三次B样条曲线拟合求曲率,计算得到了刀具图像的特征点。本文实现的快速模糊C均值聚类算法,在分割灰度图像时耗时比传统FCM算法明显减少；平均运算迭代步骤数也比传统FCM算法少,在保证了分割效果的情况下,取得了较满意的图像分割效率,使得应用在高像素图像的分析成为可能。对分割后图像进行了串行方式的跟踪,得到有效的轮廓点集,减少采用并行方式进行边缘检测易产生断点的缺点,提高了特征检测正确率。同时,对于混合编程技术也进行了一定的应用研究。