图像分割是由图像处理到图像分析的关键步骤。针对聚类分割对初始聚类中心有较大依赖的局限性，提出了一种基于改进粒子群优化（PSO）算法和遗传变异的图像分割模型PSOM-K(Particle Swarm Optimization Mutations-K-means)。首先，对PSO公式进行改进，即增加了随机邻居粒子位置对自身位置的影响，并扩大了算法的搜索空间，使算法能快速地找到全局最优解；其次，结合遗传算法的变异操作来提高模型的泛化能力；然后，将改进后的PSO算法从红（R）、绿（G）、蓝（B）三通道来初始化k均值（k-means）聚类中心的位置；最后，用k-means从R、G、B三通道对图像进行分割并合并这三通道的图像。在伯克利分割数据集（BSDS500）上的实验结果表明，在k=4时，PSOM-K在特征相似性（FSIM）上相较于CEFO （Chaotic Electromagnetic Field Optimization）算法提升了7.7%~12.69%，相较于WOA-DE（Whale Optimization Algorithm-Differential Evolution）方法提升了5.05%~19.02%。在k=40时，相较于细粒度分割算法HWOA，PSOM-K在FSIM指标最多下降0.45%，但峰值信噪比（PSNR）指标提升7.59%~13.58%。因此，独立3个通道、增加粒子群中随机邻居粒子的位置影响和遗传变异是寻找k-means聚类中心的较优位置的3个有效策略，它们能极大地提高图像分割的性能。
