灰度图像分割方法比较.doc

一、基于 FCM 的图像分割(调用 FCM 函数) clc clear all I=imread(''); figure,imshow(I) I2=rgb2gray(I); figure,imshow(I2) I3=reshape(I2,10000,1); I4=im2double(I3); [center,U,]=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: —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, ] = FCM(data, cluster_n, options) % 采用模糊 C 均值对数据集 data 聚为 cluster_n 类% 用法: % 1. [center,U,] = FCM(Data,N_cluster,options); % 2. [center,U,] = 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: ) % 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: % ce