无监督图像分割是计算机视觉中的一个基本但具有挑战性的问题。 在本文中，我们提出了一种新颖的无监督分割算法，该算法可以在模式识别中找到各种应用，特别是在计算机视觉中。 该算法名为“两阶段模糊c均值混合方法（TFHA）”，根据图像像素在多个比例和方向上获得的多通道Gabor响应，自适应地对图像像素进行聚类。 在第一阶段，将模糊c均值（FCM）算法应用于质心数的智能估计和聚类质心的初始化，这赋予了新颖的分割算法以适应性。 为了提高算法的效率，我们利用在超像素级别（而不是像素级别）提取的灰度共生矩阵（GLCM）功能来估计质心数和超像素集群成员，将其用作以下各项的初始化参数主聚类阶段，以减少计算成本，同时保持分割性能的准确性接近于原始聚类。 然后，在第二阶段，再次在像素级别使用FCM算法，以提高形成最终均质区域的聚类的紧凑性。 为了检查该算法的性能，进行了广泛的实验，实验结果表明，与状态状态相比，该算法具有非常有效的分割结果和计算行为，减少了执行时间，提高了分割结果的质量。最近在文献中提出了最新的分割方法。
