1.改进PCM聚类算法的绝缘子图像分割方法，其特征在于，包括以下步骤：(1)对绝缘子图像进行中值滤波，进行简单的去噪；

(2)将RGB类型的绝缘子图像转换到Lab与HSV色彩空间，选取a、b分量与H、S分量作为特征分量；

(3)利用改进PCM聚类算法对选取上诉特征分量的像素点进行聚类，类别数c＝3；

(4)根据聚类结果的隶属度，将原图像每一类别的内容分离出来，根据紧密性确定绝缘子内容类别。

2.根据权利要求1所述的改进PCM聚类算法的绝缘子图像分割方法，其特征在于，所述的改进PCM聚类算法，包括以下步骤：给定样本空间X＝{x1,x2,...,xn}，PCM的约束条件：PCM损失函数：

其中T∈Epcm，V＝(v1,v2,...,vn)为聚类中心组成的矢量；n为样本点的数目，c为类别数，m为模糊因子，dij为第j个样本点到第i个聚类中心的欧式距离，γi是惩罚因子；使用Lagrange乘数法，结合约束条件最小化Jpcm，得到聚类中心vi和隶属度tij的更新公式：其中模糊因子m控制着数据点对不同聚类隶属度的模糊程度，在不做特殊要求下取m＝

2；

其中惩罚因子γi取值如下：

K>0,其中uij为FCM聚类后的隶属度；

针对类中心点重合问题，在PCM的损失函数中加入类间距离惩罚项，使得类中心相互排斥；类间距离惩罚项的表达式为：提出局部相关因子s，假设第j个像素点是滤波窗口的中心像素点，定义局部相关因子sij，即j像素点属于第i类的局部相关因子；

对图像进行PCM聚类分割，设置分割的类别数为c,则会存在c个隶属度图像矩阵T；Ti表示一个图像矩阵，矩阵中每一个数值分别是对应位置像素属于第i类的隶属值；然后分别对每个概率图像矩阵T进行高斯加权滤波，得到矩阵W定义为邻近相关矩阵，得到Wij即属于第i类邻近相关矩阵的第j个像素点滤波后的值，对Wij进行标准化如下：根定义局部相关因子sij为:

将相关因子引入PCM损失函数得到新的类内距离项：在引入局部相似以及聚类中心互斥的情况下，最终的损失函数形式如下：其中第一项 用于实现最小化同类数据点之间的距离；第二项则用于抑制隶属度矩阵变成零矩阵；第三项 则是实现类中心互相排斥的效果；改进PCM的隶属度tij与类中心vi更新迭代公式如下：通过tij和的vi更新迭代找到最优的隶属度和类中心。