实验一 模糊聚类的图像分割
学号:02055024 姓名:齐宏涛
一. 实验目的:
通过模糊 c-均值(FCM)聚类实现图像的分割。
二. 算法描述:
FCM 聚类算法目标函数为:
min
J
m
(U,Z)=
∑
N
j
=
1
∑
C
i
=
1
(
u
ij
)
m
d
2
(
x
j
,
z
i
)
(1-1)
如果 p 表示每一个样本
x
j
的维数,X={
x
1
,
x
2
,
⋯
x
j
,
⋯
x
N
}是一个 p
×
N 的矩阵;N 表示
样本数目,通常表示图像像素数;C 表示聚类数目;
u
ij
⊆
U(p
×
N
×
C)
是矢量
x
j
隶属于第 i 类
的隶属度函数,满足
u
ij
∈
[0,1]且
∑
C
i
=
1
u
ij
=
1
,
(
j
=
1
,
2
,
⋯
,
N
)
;聚类中心 Z={
z
1
,
z
2
,
⋯
,
z
i
,
⋯
,
z
C
}是 p
×
C 矩阵,
u
ij
和
z
i
更新等式分别为:
u
ij
=
1
∑
C
k
=
1
(
d
(
x
j
,
z
i
)
d
(
x
j
,
z
k
)
)
2
(
m
―
1
)
z
i
=
∑
N
j
=
1
(
u
ij
)
m
x
j
∑
N
j
=
1
(
u
ij
)
m
,
(
i
=
1
,
2
,
⋯C
)
(
1
―
2
)
对于每一个模糊隶属度,由 m
∈
(
1
,
∞
)
控制模糊度的权重指数;
d
2
(
x
j
,
z
i
)
=
‖
x
j
―
z
i
‖
为相似性测度。
其中变量:
P 数据样本维数(灰度图像时为 1);
N 像素点数目;
x
i
像素
𝔦
特征(灰度图像时,表示灰度值);
C 图像分割类别数;
u
ij
像素点
i
属于第 j 类的隶属度;
z
i
第 i 类聚类中心。
三. 算法步骤:
1、 设置目标函数精度ε,模糊指数 m(m 通常取 2),最大迭代次数
T
m
;
2、 初始化聚类中心
z
i
;
3、 由式(1-2)更新模糊划分矩阵 U={
u
ij
}和聚类中心 Z={
z
c
};
4、 若|J(t)-J(t-1)|<ε或 c>
T
m
则结束聚类;否则,t
←
t+1 并转 3;
5、 由所得 U={
u
ij
}得到各像素点分类结果。
四. 实验要求:实现图像分割为 4 类的 FCM 算法。
五. 实验结果:
function[IX2]=fcm(IM);
%IM 是输入的原图像
%IX2 是分类结果
M=imread('qqq.bmp');%qqq.bmp 在 work 文件夹里面
IM=double(M);
评论0