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；将每个像素点的RGB颜色处理到0-1之间；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；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，需要用到Python中的一些库和函数。下面我会一步一步地给出代码和解释。

首先，我们需要导入一些必要的库，包括opencv-python、numpy、sklearn等。其中，opencv可以帮助我们读取图像，numpy可以处理图像数据，sklearn中包含了k-means、cmeans、DBSCAN等聚类方法。代码如下：

import cv2
import numpy as np
from sklearn.cluster import KMeans, DBSCAN
from sklearn_extra.cluster import KMedoids
from skfuzzy.cluster import cmeans

接下来，我们定义一个函数`read_image()`，用于读取给定的糖尿病性视网膜病变图像，并获取图像的大小、数据类型、颜色模式等信息，并将每个像素点的RGB颜色处理到0-1之间。代码如下：

def read_image(image_path):
    # 读取图像
    img = cv2.imread(image_path)
    # 获取图像信息
    height, width, channels = img.shape
    dtype = img.dtype
    color_mode = "color" if channels == 3 else "grayscale"
    # 将像素点的RGB颜色处理到0-1之间
    img = img / 255.0
    return img, height, width, channels, dtype, color_mode

接下来，我们定义一个函数`segment_image()`，用于对图像进行聚类实现图像分割。这个函数接受两个参数，一个是图像数据，一个是聚类方法的名称（"kmeans"、"cmeans"或"DBSCAN"）。代码如下：

def segment_image(img, method):
    # 将图像数据转换为二维数组
    data = img.reshape((-1, 3))
    # 根据聚类方法进行聚类
    if method == "kmeans":
        cluster = KMeans(n_clusters=3, random_state=0).fit(data)
    elif method == "cmeans":
        cntr, u, u0, d, jm, p, fpc = cmeans(data.T, 3, 2, error=0.005, maxiter=1000, seed=0)
        labels = np.argmax(u, axis=0)
        cluster = KMedoids(n_clusters=3, random_state=0).fit(data, sample_weight=labels)
    elif method == "DBSCAN":
        cluster = DBSCAN(eps=0.1, min_samples=10).fit(data)
    else:
        raise ValueError("Invalid method name.")
    # 获取聚类结果
    labels = cluster.labels_
    centers = cluster.cluster_centers_
    # 将每个像素点的颜色替换为所属簇的中心颜色
    new_data = np.zeros_like(data)
    for i in range(len(labels)):
        new_data[i] = centers[labels[i]]
    # 将处理后的数据转换回图像格式
    new_img = new_data.reshape((img.shape))
    return new_img

最后，我们可以编写主程序，调用上面的函数，读取图像并进行聚类分割，并输出每种方法分割后的图像。代码如下：

if __name__ == "__main__":
    # 读取图像
    img, height, width, channels, dtype, color_mode = read_image("retina.jpg")
    # 输出图像信息
    print("Height:", height)
    print("Width:", width)
    print("Channels:", channels)
    print("Data type:", dtype)
    print("Color mode:", color_mode)
    # 对图像进行聚类分割并输出结果
    methods = ["kmeans", "cmeans", "DBSCAN"]
    for method in methods:
        result = segment_image(img, method)
        cv2.imshow(method, result)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

这样，我们就完成了对给定糖尿病性视网膜病变图像的聚类分割，并输出了每种方法分割后的图像。需要注意的是，不同的聚类方法可能会得到不同的结果，因此需要对比分析才能确定最佳的分割方法。