به طور کلی قطعه بندی یکی از مشکل ترین کارها در پردازش تصویر است . این مرحله است که موفقیت یا شکست احتمالی تحلیل تصویر را تعیین می کند . در واقع یا بخش بندی موثر در بیشتر موارد، به یک جواب قابل قبول می رسیم. بنابراین باید توجه زیادی معطوف افزایش احتمال دست یابی به بخش بندی قابل اعتماد بشود. الگوریتم های بخش بندی تصاویر تک رنگ، معمولا مبتنی بر یکی از دو خاصیت اصلی سطوح خاکستری یعنی نا پیوستگی یا شباهت هستند. در دسته اول، تصویر براساس تغییرات سریع سطح خاکستری بخش بندی می شود. موضوعات اصلی مورد علاقه در این دسته آشکارسازی نقاط منفرد و آشکارسازی خطوط و لبه های تصویر است. روش های اصلی در دسته دوم مبتنی بر آستانه گیری، رشد ناحیه ، و تقسیم و ادغام ناحیه هستند. به منظور بهینه کردن قطعه بندی می توان از روش های ترکیبی استفاده کرد. یکی از مهمترین این روش ها استفاده از اطلاعات لبه و رشد ناحیه در قطعه بندی می باشد که باعث ایجاد ناحیه های دقیق تر در قطعه بندی می شود. الگوریتم هایی که در این زمینه ارائه می شوند در انتخاب بذر و معیار رشد و نحوه به دست آوردن لبه متفاوت می باشند. یکی از مهمترین این الگوریتم ها تبدیل حوضچه می باشد. که با استفاده از گرادیان تصویر نقاط مینیمم محلی و لبه های تصویر آشکار می شوند. در این روش نقاط مینیمم محلی از گرادیان تصویر به عنوان بذر انتخاب می شوند و تا لبه های هر ناحیه رشد پیدا می کنند. به علت اینکه سرعت و بهینگی در قطعه بندی تصویر خیلی مهم می باشد که با استفاده از روش های بالا باعث قطعه بندی زیاد و افزایش زمان ادغام و پردازش می شود، چند سالی است که از تحلیل های چند کیفیتی تصویر که با استفاده از تبدیل موجک انجام می شوند. جهت قطعه بندی کمک گرفته شده است. در این تحقیق روشی جدید برای قطعه بندی تصویر با استفاده از تبدیل موجک مختلط ارائه کرده ایم که در طبقه بندی استفاده می شود، به این شکل که در مرحله اول استخراج ویژگی به کمک تبدیل موجک مختلط انجام می شود، سپس یک مرحله هموارسازی ویژگی های به دست آمده را داریم و در انتها به وسیله الگوریتم ترکیبی پیشنهادی که از fcm و knn برای خوشه بندی استفاده می کند، به قطعه بندی نهایی نائل می شویم.