全文总字数：3898字

1. 研究目的与意义及国内外研究现状

研究目的：

图像分割是许多计算机视觉应用的最重要步骤之一。图像分割的目的是将给定的图像分成几个特定的，具有独特性质的区域。在过去的几十年中，数据聚类方法被广泛地应用于图像分割中，并且在医学图像分析、面部识别和机器视觉方面取得了很大的成功。模糊聚类算法特别是模糊c均值（fcm）算法是数据聚类算法中最受欢迎的算法之一。但是就像许多其他的非监督聚类算法一样，由于缺少空间信息，fcm算法在被应用于图像分割时有很大的局限性:它仅仅依赖于像素点的灰度分布而忽略了像素点之间的空间联系，这使得fcm算法对于噪声非常敏感。本文的主要目的是通过引入空间信息来增强标准fcm算法在图像分割中对噪声和异常值的鲁棒性，从而提高分割结果，同时要求算法尽可能多地保留图像细节，并具有较低的计算复杂度。

研究意义：

2. 研究的基本内容

本文主要研究的是如何将空间信息引入到传统fcm算法中，同时又能尽可能多地保留图像细节。

通过提出新的相似度度量函数来引入空间信息，并通过自适应的空间权重因子来保留尽可能多的图像细节。

本文首先介绍传统fcm算法以及其改进算法并分析其优缺点，然后提出一个新的空间信息并将其引入到传统fcm框架中，同时分析所引入的空间信息是如何增强算法对噪声的鲁棒性以及保留更多的图像细节，最后给出实验结果。

3. 实施方案、进度安排及预期效果

实施方案：

本论文采取理论分析和实验验证相结合的方法，对传统fcm算法的改进进行探索。理论方面，从传统fcm算法的理论框架出发，综合分析他人对fcm算法改进的理论成果。实验上，通过大量严谨的实验来充分证明本算法的改进之处，并与其他改进算法相比较。

1针对fcm算法的空间信息引入方向进行相关的资料文献积累，收集相关资料数据，深入分析总结。

4. 参考文献

[1] m.c. clark, l.o. hall, d.b. goldgof, l.p. clarke,r.p. vethuizen, m.s. silbiger, mri

segmentation using fuzzy clustering techniques, ieee eng.med. biol. mag. 13 (1994) 730–742.

[2] j.c.bezdek, pattern recognition with fuzzy objective function algorithms, plenumpress, new york, ny, 1981.