在以往的圖像分割技術中，基於閾值的分割是一種基礎性的方法。該方法算法簡單，在處理速度上有優勢，但不適合於圖像中模糊邊界區域的分割。對模糊邊界區域的分割，通常采用無監督聚類方法。常用的有K均值聚類方法、模糊C均值方法、FCM方法、ISO-DAA方法等。其中FCM方法是一種具有模糊決策能力的聚類算法，它對模糊邊界區域的分割非常有效，得到了廣泛應用。
最早由波蘭數學家ZPawlak提出來的粗糙集理論是處理不確定、不完整、不精確知識的有力工具，該理論已成為不確定性計算領域的一個重要分支。粗糙集基於不可分辨關係、上下近似、約簡等概念將知識顆粒化，直接模擬了人類的邏輯思維能力，成為人工智能和認知科學的基礎，為智能信息的處理提供了有效的處理技術。
由於圖像信息具有較強的複雜性和相關性，處理過程中經常會遇到不完整性和不確定性問題，因此將粗糙集理論應用到圖像處理中，有時會具有比一般的硬計算方法更好的性能。目前，粗糙集已經應用於圖像增強、圖像分割、圖像濾波等。從文獻［202-207］中可以得知：基於粗糙集的圖像處理均能獲得較好的效果，盡管如此，粗糙集在圖像領域的應用仍處在探索階段，新的方法、新的技術仍有待深入研究和探討。
本研究將FCM聚類算法和粗糙集理論結合起來，提出一種新的圖像分割方法，用不同FCM聚類數條件下的聚類結果來構成待處理圖像的屬性值表，根據不可分辨等價關係，可以將圖像數據分割成多個小的區域，然後通過粗糙集的值約簡概念計算各屬性的權重，並以此計算各區域之間的差異度，通過差異度構成初始等價關係。由基於差異度的初始等價關係對區域的劃分，可以進一步計算各區域之間的相似度，最終以相似度描述作為最終的等價關係，實現相似區域的合並並完成最終的圖像分割。
FCM聚類算法
設有限集X={x1，x2，…，xn}是n個樣本組成的集合，c為預定的類別數，mi（i=1，2，…，c）是每一個聚類的中心，是第i個樣本關於第j類的隸屬度。
FCM聚類算法的結果就是要獲得使準則函數達到最小的M和V。在模糊C均值聚類方法中，要求樣本對各個聚類的隸屬度之和為1。
FCM算法可以按照以下迭代步驟完成：
（1）設定聚類數目c和參數b，算法終止閾值ε，迭代次數t=1，允許最大迭代數為tmax，初始化各個聚類中心mi；
（2）用當前聚類中心根據式（10-34）計算隸屬函數；
（3）用當前隸屬函數按式（10-36）更新各類聚類中心；
當算法收斂時，得到各類的聚類中心和各個樣本對於各類的隸屬度完成模糊聚類劃分。最後將模糊聚類結果進行去模糊化，將模糊聚類轉變為確定性分類，實現最終的聚類分割。