模糊聚类的图像分割实验报告.docVIP

实验一 基于模糊聚类的图像分割 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 动态聚类方法的目的是把n个样本划分到c个类别中的一个，使各样本与其所在类均值的误差平方和最小。FCM聚类算法的目标函数为： Min (U,Z) = （1） 其中m1是一个可以控制聚类结果的模糊程度的常数。在不同的隶属度定义方法下最小化式（1）的损失函数，就得到不同的模糊聚类方法。其中最有代表性的模糊C均值方法，要求一个样本对于各个聚类的隶属度之和为1，即 （2） 在条件（2）下求式（1）的最小值，令对和的偏导数为0，可得必要条件： （3） 三，变量说明 P 数据样本维数（灰度图像时为1）； N 像素点数目； X 像素i特征（灰度图像时，表示灰度值）； C 图像分割类别数； U 像素点i属于第j类的隶属度； Z 第i类聚类中心； 四, 算法步骤 Step1: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; Step2:初始化模糊聚类中心; Step3:由（3）式更新模糊划分矩阵U={}和聚类中心Z={}; Step4:若|J(t)-J(t-1)| ε或c则结束聚类；否则，t=t+1并转Step3; Step5:由所得U={}得到各像素点的分类结果。 五，实验内容与要求 （1）使用附录1的参考程序对无噪图像进行模糊聚类分割。 （2）使用附录1的参考程序对各种加噪（高斯噪声，椒盐噪声及斑点噪声等）图像进行模糊聚类分割，并与（1）中的相应结果进行比较。 （3）附录1的参考程序给出了图像分割为3类的FCM算法，请同学们进行分割为2类或4类的扩展，或者在理解例程或算法的基础上自己实现算法。 参考程序代码： function fcm tmp=imread(C:\Documents and Settings\Administrator\桌面\fig8.pgm); IM=tmp(:,:,1); %IM=imnoise(IM,speckle,0.01); %IM=imnoise(IM,salt pepper,0.1); %IM=imnoise(IM,gaussian,0,0.01); IM=double(IM); figure(1); imshow(uint8(IM)); [maxX,maxY]=size(IM); IMM=cat(3,IM,IM,IM); cc1=8; cc2=100; cc3=200; ttfcm=0; while(ttfcm15) ttfcm=ttfcm+1; c1=repmat(cc1,maxX,maxY); c2=repmat(cc2,maxX,maxY); c3=repmat(cc3,maxX,maxY); c=cat(3,c1,c2,c3); ree=repmat(0.000001,maxX,maxY); ree1=cat(3,ree,ree,ree) distance=IMM-c; distance=distance.*distance+ree1; daoShu=1./distance; daoShu2=daoShu(:,:,1)+daoShu(:,:,2)+daoShu(:,:,3); distance1=distance(:,:,1).*daoShu2; u1=1./distance1; distance2=distance(:,:,2).*daoShu2; u2=1./distance2; distance3=distance(:,:,3).*daoShu2; u3=1./distance3; ccc1=sum(sum(u1.*u1.*IM))/sum(sum(u1.*u1)); ccc2=sum(sum(u2.*u2.*IM))/sum(sum(u2.*u2)); ccc3=sum(sum(u3.*u3.*IM))/sum(sum(u3.*u3)); tmpMatrix=[abs(cc1-ccc1)/cc1,abs(cc2-ccc2)/cc2,abs(cc3-ccc3)/cc3]; pp=cat(3,u1,u2,u3); for i=1:maxX for j=1:maxY if max(pp(i,j,:))==u1(i,j)