图像分割作为图像处理的一个重要的环节,是目前非常热门的研究课题,它广泛应用于医学、交通、军事等计算机视觉相关领域,所以对于图像分割的研究有着重要的现实意义。图像分割的好坏决定着后续对于图像分析、图像理解的质量,目前人们针对不同的问题已经提出了很多图像分割的方法,然而其本身是一门十分复杂和困难的技术,人们仍需对图像分割技术进行不断的研究。本文主要介绍的是基于聚类的算法在图像分割上的应用。详细说明了几种经典的聚类算法,K均值聚类算法、模糊C均值聚类算法和均值漂移聚类算法及其改进算法的具体原理及算法过程,并通过实验对其进行分析研究。K均值聚类算法由于算法过程简单而被广泛使用,但是对初始聚类中心很敏感。根据数学中随机函数分布的相关知识,样本均值和标准差是对数据分布评价的两个重要的数据。基于均值-标准差的K均值聚类算法利用样本对象的均值和标准差计算得到更加合理的初值的范围。经实验分析可知,改进算法在收敛速度上有一定的优势,但是分割准确度上差别很小。模糊C均值聚类算法由于成功地将模糊概念引入到图像像素分类的过程中,能够保留更多的原始图像信息,相较于K均值聚类算法能得到更准确的分类。但是该算法在进行图像分割时存在需要事先确定分类数目、以及特征识别不够准确等缺点。基于核函数的模糊C均值聚类算法,把待处理的样本特征空间映射到高维特征空间中,使得对样本特征的识别以及分类更加准确。经实验分析,改进算法在分类准确度上有所提高,收敛速度也有所加快。均值漂移算法用于图像分割时不需要任何先验知识,相较于前两种算法稳定性强。但是算法过程中带宽的选择对算法性能有较大的影响。基于最近邻的均值漂移算法通过最近邻的思想根据不同区域特性自适应的计算带宽。经实验分析,改进算法对图像的分类更加合理,但是收敛速度有所下降。