摘要：针对传统直觉模糊C均值聚类（Intuitionistic Fuzzy C-means,IFCM）的图像分割算法对噪声和初始聚类中心敏感,导致聚类精度不高和迭代次数多的问题,提出一种结合局部信息的直觉模糊核聚类的图像分割算法。在该算法中,首先采用基于直方图的方法确定聚类中心初始值,解决算法对聚类中心的初始值敏感的问题;其次,利用核函数将待分类数据集映射到高维非线性空间,改善数据的线性可分性,同时在目标函数中引入局部灰度信息和局部空间信息,提高直觉模糊聚类的分类精度。实验结果表明,提出算法能减少迭代次数,提高聚类精度,能有效对图像进行分割;无论在对图像分割还是在聚类有效性上,提出算法都要优于传统的模糊聚类算法,如模糊C均值聚类（Fuzzy C-means,FCM）、模糊核均值聚类（Kernel-based fuzzy c-means,KFCM）、引入空间信息的直觉模糊C均值聚类（Intuitionistic Fuzzy C-means with spatial constraints,IFCM-S）、模糊空间聚类（Fuzzy Local Information C-means,FLICM）、直觉模糊C均值聚类（Intuitionistic Kernel-based Fuzzy C-means,IFKCM）等。