计算机图形学课程设计报告（论文）--基于均值聚类算法的细胞图像分割原理.docVIP

计算机图形学课程设计报告论文 -  PAGE \* MERGEFORMAT 23 - 目录 1 FCM聚类算法基本描述……………………………… 2 2 K均值聚类算法基本描述…………………………… 3 3 K均值聚类算法在细胞图像中的应用……………… 5 4 基于HLS颜色空间和K均值聚类算法的细胞图像分割……………………………………………………… 7 5 心得体会…………………………………………… 8 6 参考文献…………………………………………… 8 7 程序代码…………………………………………… 9 基于均值聚类算法的细胞图像分割原理 1 FCM聚类算法基本描述 FCM聚类算法通过归一化处理，一个数据集的隶属度的和总等于1。 （2-7） 那么，FCM的价值函数就是式（2-1）的一般化形式： （1-1） 如果表示每一个样本的维数，是一个矩阵；表示样本数目，通常表示图像像素数；表示聚类数目；是矢量隶属于第类的隶属度函数，满足且；聚类中心是矩阵，和更新等式分别为： （1-2） 对于每一个模糊隶属度，由控制模糊度的权重指数；为相似性测度。 1.1 FCM聚类算法步骤： Step1：设置目标函数精度，模糊指数（通常取2），最大迭代次数； Step2：初始化模糊聚类中心； Step3：由式（1-2）更新模糊划分矩阵和聚类中心 Step4：若或则结束聚类；否则，并转Step3； Step5：由所得得到各像素点分类结果。 2 K均值聚类算法基本描述 K均值聚类，即众所周知的硬C均值聚类，已被广泛应用于数据挖掘技术。它的核心思想是把n个向量Xj(j=1,2,…,n)分为个组Gi(I=1,2,…,c)，并求每组的聚类中心，使得非相似性（或距离）指标的价值函数（或目标函数）达到最小。当选择欧几里德距离为组j中向量xk与相应聚类中心ci间的非相似性指标时，价值函数可定义为： （2-1） 这里是组内的价值函数。这样的值依赖于的几何特性和的位置。 如果用一个通用距离函数代替组中的向量，则相应的总价值函数可表示为： （2-2） 为简单起见，这里用欧几里德距离作为向量的非相似性指标，距离计算可用每个像素的RGB(rx,gx,bx)值与个聚类中心的值分别做计算，距离的计算式为。 划分过的组一般用一个的二维隶属矩阵来定义。如果第个数据点xj属于组，则中的元素为1,否则该元素取0。一旦确定聚类中心，可导出如下使式（2-1）最小的： （2-3） 如果是的最近的聚类中心，那么属于组。由于一个给定数据只能属于一个组，所以隶属矩阵具有如下性质： （2-4） 且 （2-5） 另一方面，如果固定则使（2-1）式最小的最佳聚类中心就是组中所有向量的均值： （2-6） 这里是的规模或。 2.1 K均值聚类算法实现步骤为： 步骤1：初始化聚类中心ci(I=1,2,。。,c)，可从所有数据点中随机取个点。 步骤2：用式（2-3）确定隶属矩阵。 步骤3：根据式（2-1）计算价值函数。如果它小于某个确定的阈值，或它相对上次价值函数值的改变量小于某个控制值，则获得聚类中心值，算法停止。 步骤4：根据式（2-6）修正聚类中心,返回步骤2。 分群 数C聚类中心迭代次数分类时间（ms）K-MeansFCMK-MeansFCMK-MeansFCM3H:309,344,18 S:23,16,16 L:61,72,85H:300,346,19 S:27,18,18 L:60,75,8861223421094 H:307,341,353,28 S:24,16,15,18 L:60,70,78,86 H:312,330,341,21 S:26,18,17,20 L:68,78,82,8761828247652.2 均值聚类在细胞区域初分割中的效果比较 3 K均值聚类算法在细胞图像中的应用： 两种均值聚类算法在图像分割中都有不同的应用，限于论