灰度圖像分割方法比较.docVIP

一、基于FCM的图像分割（调用FCM函数） clc clear all I=imread(14.jpg); figure,imshow(I) I2=rgb2gray(I); figure,imshow(I2) I3=reshape(I2,10000,1); I4=im2double(I3); [center,U,obj_fcn]=fcm(I4,2); z1=center(1,:);z2=center(2,:); for i=1:10000 %分别计算每个样本到个聚类中心的欧式距离 f1=imsubtract(I4(i,:),z1); D1(:,i)=sqrt(f1*f1); f2=imsubtract(I4(i,:),z2); D2(:,i)=sqrt(f2*f2); end D=[D1;D2]; for i=1:10000 %并按最近邻规则聚类 if D1(:,i)==min(D(:,i)) %样本中心稳定，则为最终聚类结果 s1(i,:)=zeros(1,1); else s1(i,:)=ones(1,1); end end for i=1:10000 if D2(:,i)==min(D(:,i)) s2(i,:)=zeros(1,1); else s2(i,:)=ones(1,1); end end a1=reshape(s1,100,100); a2=reshape(s2,100,100); figure,imshow(a1) %样本S1组成的图像 figure,imshow(a2) %样本S2组成的图像 二、基于HCM的灰度图像分割 预备知识： 1.K—均值算法（HCM） 依据准则函数进行分类，具体内容：先选择K个聚类中心，然后根据聚类准则对K个中心反复修改（用迭代法），直至分类合理。聚类过程中，聚类中心数目不变。属于一种硬分类。 2.模糊C均值算法（FCM） 将上述硬分类模糊化，引入隶属度函数，定义聚类损失函数，并使其最小化（用迭代法求解）。当算法收敛时，可得到各类聚类中心和各个样本对于各类的隶属度值，从而完成模糊聚类划分。Matlab自带了FCM函数，如下例： function [center, U, obj_fcn] = FCM(data, cluster_n, options) % FCM.m? ?采用模糊C均值对数据集data聚为cluster_n类??% 用法： %? ?1.??[center,U,obj_fcn] = FCM(Data,N_cluster,options); %? ?2.??[center,U,obj_fcn] = FCM(Data,N_cluster); % 输入： %? ?data? ?? ???---- nxm矩阵,表示n个样本,每个样本具有m的维特征值 %? ?N_cluster? ?---- 标量,表示聚合中心数目,即类别数 %? ?options? ???---- 4x1矩阵，其中 %? ?? ? options(1):??隶属度矩阵U的指数，1? ?? ?? ?? ?? ?? ?(缺省值: 2.0) %? ?? ? options(2):??最大迭代次数? ?? ?? ?? ?? ?? ?? ?? ?? ?(缺省值: 100) %? ?? ? options(3):??隶属度最小变化量,迭代终止条件? ?? ?? ???(缺省值: 1e-5) %? ?? ? options(4):??每次迭代是否输出信息标志? ?? ?? ?? ?? ? (缺省值: 1) % 输出： %? ?center? ?? ?---- 聚类中心 %? ?U? ?? ?? ???---- 隶属度矩阵 %? ?obj_fcn? ???---- 目标函数值 %? ?Example: %? ?? ? data = rand(100,2); %? ?? ? [center,U,obj_fcn] = FCM(data,2); %? ?? ? plot(data(:,1), data(:,2),o); %? ?? ? hold on; %? ?? ? maxU = max(U); %? ?? ? index1 = find(U(1,:) == maxU); %? ?? ? index2 = find(U(2,