基于FCM的图像分割讲解.ppt

第二章 信号、信道及噪声 第二章 信号、信道及噪声 * FCM算法的学习、应用（图像分割）、相关改进研究 本人工作： 1、什么是FCM算法 2、FCM算法怎么应用于图像分割 3、影响FCM算法的因素 4、自己对于FCM算法改进的思考 * 模糊C均值聚类算法 FCM算法是一种基于划分的聚类算法，它的思想就是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。 模糊C均值算法是普通C均值算法的改进，普通C均值算法对于数据的划分是硬性的，而FCM则是一种柔性的模糊划分。在介绍FCM具体算法之前我们先介绍一些模糊集合的基本知识。 隶属度函数是表示一个对象x隶属于集合A的程度的函数，通常记做μA(x)，其自变量范围是所有可能属于集合A的对象（即集合A所在空间中的所有点），取值范围是[0,1]，即0=1，μA(x)=1。μA(x)=1表示x完全隶属于集合A，相当于传统集合概念上的x∈A。一个定义在空间X={x}上的隶属度函数就定义了一个模糊集合A，或者叫定义在论域X={x}上的模糊子集 。对于有限个对象x1，x2，……，xn模糊集合 可以表示为： （1.1） * 模糊C均值聚类算法（续） FCM的目标函数一般化形式： 这里uij介于0，1间；ci为模糊组I的聚类中心，dij=||ci-xj||为第I个聚类中心与第j个数据点间的欧几里德距离；且m1是一个加权指数 构造如下新的目标函数，可求得使（1.2）式达到最小值的必要条件： 这里?j，j=1到n，是（6.9）式的n个约束式的拉格朗日乘子。对所有输入参量求导，使式（6.10）达到最小的必要条件为： （1.2） （1.3） （1.4） （1.5） 和 * 具体的算法如下： 确定聚类类别数c、加权指标m，任意置分类矩阵U(0) ； 依次取b=0,1,2,……； 根据U(b)和公式(1)计算Vi(b); 按如下方式更新U(b)为U(b+1) A、对k=1,……n，计算 B、计算数据xk的新隶属函数值：若Ik为空，按公式(2)计算uik；否则，对所有的 置uik=0，并取 。 C、比较U(b)和U(b+1)之间的差别，如果 ，则聚类结束；否则，置b=b+1并返回第3步。 模糊C均值聚类算法（续） * 简单认识FCM算法 MATLAB中提供了FCM函数： [center, U, obj_fcn] = fcm(data, cluster_n, options); % 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 总的思想：FCM算法就是对数据进行分类 * 例一数据为：data=rand(100,2)，分4类 * 例2彩色图片，边界分明，分3类 PS? No! * 例3彩色图片，色块分离，分5类 * 例4彩色圆环，边界模糊，分7类 * 例5脑部图，通过分割区分灰质、白质 * 原图 分割图 设定阈值， 去除背景 例6字符提取 例7目标提取 遥感卫星图片 海域中舰艇检测 * fcm(data, 2, [2 100 1e-5 1]) fcm(data, 2, [3 100 1e-5 1]) 影响FCM算法的 几个因素 隶属度矩阵U的指数m Center(126.4961, 35.5235) Center(125.2010, 35.3168) 对于灰度图像 为什么 是2X1的矩阵？ 图片大小300X300 p1 p2 （p1-p2作差） % 1. [center,U,obj_fcn] = FCMClust(Data,N_cluster,options