模糊聚类的图像分割实验报告.doc

智能多媒体专业实验 实验一 模糊聚类的图像分割实验报告 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 Jm(U,Z) = j=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 j=1c 在条件（2）下求式（1）的最小值，令Jm对uj和 Uij= 程序代码： %function[IX2]=fcm(IM); IM11=imread(1.jpg); IM1=IM11(:,:,1); %figure(1); imshow(IM1); IM=double(IM1); [maxX,maxY]=size(IM); IMM=cat(5,IM,IM,IM,IM,IM); cc1=8; cc2=50; cc3=100; cc4=150; cc5=200; ttFcm=0; while(ttFcm15) ttFcm=ttFcm+1 c1=repmat(cc1,maxX,maxY); c2=repmat(cc2,maxX,maxY); c3=repmat(cc3,maxX,maxY); c4=repmat(cc4,maxX,maxY); c5=repmat(cc5,maxX,maxY); c=cat(5,c1,c2,c3,c4,c5); ree=repmat(0.000001,maxX,maxY); ree1=cat(5,ree,ree,ree,ree,ree); distance=IMM-c; distance=distance.*distance+ree1; daoShu=1./distance; daoShu2=daoShu(:,:,1)+daoShu(:,:,2)+daoShu(:,:,3)+daoShu(:,:,4)+daoShu(:,:,5); distance1=distance(:,:,1).*daoShu2; u1=1./distance1; distance2=distance(:,:,2).*daoShu2; u2=1./distance2; distance3=distance(:,:,3).*daoShu2; u3=1./distance3; distance4=distance(:,:,4).*daoShu2; u4=1./distance4; distance5=distance(:,:,5).*daoShu2; u5=1./distance5; 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)); ccc4=sum(sum(u4.*u4.*IM))/sum(sum(u4.*u4)); ccc5=sum(sum(u5.*u5.*IM))/sum(sum(u5.*u5)); tmpMatrix=[abs(cc1-ccc1)/cc1,abs(cc2-ccc2)/cc2,abs(cc3-ccc3)/cc3,abs(cc4-ccc4)/cc4,abs(cc5-ccc5)/cc5]; pp=cat(4,u1,u2,u3,u4,u5); for i=1:maxX for j=1:maxY if max(pp(i,j,:))==u1(i,j) IX2(i,j)=1; elseif max(pp(i,j,:))==u2(i,j) IX2(i,j)=2; elseif max(pp(i,j,:))==u3(i,j) IX2(i,j)=3; elseif max(pp(i,j,:))==u4(i,j) IX2(i,j)=4; else IX2(i,j)=5;