[1]通过自定义函数的形式读取给定糖尿病性视网膜病变图像，获取图像的大小、数据类型、颜色模式等信息;[2]将每个像素点的RGB颜色处理到0-1之间; [3]利用k-means、cmeans、 DBSCAN三种 聚类方法对图像的像素进行聚类实现图像分割; [4]输出每种方法分割后的图像并进行对比分析。

好的，这是一个比较复杂的任务，我可以为你提供一些思路和代码示例，但需要你自己动手实现。首先，你需要安装PIL库（Python Imaging Library）来读取图像信息。安装方法如下：

pip install pillow

接下来，我们可以定义一个函数来读取图像信息：

from PIL import Image

def get_image_info(image_path):
    # 打开图像
    image = Image.open(image_path)
    # 获取图像大小
    width, height = image.size
    # 获取图像数据类型
    mode = image.mode
    # 获取图像颜色模式
    format = image.format
    # 返回图像信息
    return width, height, mode, format

接下来，我们需要将每个像素点的RGB颜色处理到0-1之间。我们可以使用PIL库中的getdata()方法获取像素值，并将每个像素点的RGB值除以255.0来实现：

def normalize_pixels(image):
    # 打开图像
    pixels = list(image.getdata())
    # 将每个像素点的RGB颜色处理到0-1之间
    normalized_pixels = []
    for pixel in pixels:
        normalized_pixel = tuple([value/255.0 for value in pixel])
        normalized_pixels.append(normalized_pixel)
    # 返回处理后的像素点
    return normalized_pixels

接下来，我们可以使用sklearn库中的KMeans、CMeans和DBSCAN方法对图像像素进行聚类，实现图像分割。下面是一个使用KMeans方法进行聚类的示例代码：

from sklearn.cluster import KMeans
import numpy as np

def kmeans_segmentation(image, k):
    # 将图像像素点处理到0-1之间
    pixels = normalize_pixels(image)
    # 将像素点转换为numpy数组
    pixels = np.array(pixels)
    # 创建KMeans模型
    kmeans = KMeans(n_clusters=k)
    # 对像素点进行聚类
    kmeans.fit(pixels)
    # 将聚类结果转换为图像
    segmented_image = []
    for label in kmeans.labels_:
        centroid = kmeans.cluster_centers_[label]
        segmented_image.append(tuple([int(value*255) for value in centroid]))
    segmented_image = np.array(segmented_image).reshape(image.size[1], image.size[0], 3)
    segmented_image = Image.fromarray(segmented_image.astype('uint8'), 'RGB')
    # 返回分割后的图像
    return segmented_image

你可以根据需要使用不同的聚类算法进行图像分割，并将分割后的图像输出，然后进行对比分析。