fcm方法进行图像分割源程序

1.myfcm函数 function [center, U, obj_fcn] = myfcm(data, cluster_n, options) %data为聚类数据,cluster_n为类别数 %判断函数参数个数 if nargin ~= 2 & nargin ~= 3, error('参数太多或太少'); end data_n = size(data, 1); %data第一维大小 in_n = size(data, 2); %data第二维大小

% 可以改变下列数据设置默认的options参数 default_options = [2; % FCM中的参数m 100; % 最大迭代次数 1e-5; % 判别误差epsonal 1]; % 迭代过程中显示

if nargin == 2, options = default_options; else % 如果"options" 没有完全指定,则以default_options中的部分进行补充 if length(options) < 4, tmp = default_options; tmp(1:length(options)) = options; options = tmp; end % 如果options中的一些参数不是数字,则以default_options中的代替 nan_index = find(isnan(options)==1); %找到options中的非数字元素下标 options(nan_index) = default_options(nan_index); if options(1) <= 1 error('FCM中参数m应大于1!'); end end

expo = options(1); % expo存放参数m max_iter = options(2); % 最大迭代次数 min_impro = options(3); % 判别误差 display = options(4); % 迭代过程是否显示

obj_fcn = zeros(max_iter, 1); % obj_fcn为目标函数值数组 U = myfcminit (cluster_n, data_n); %调用myfcminit函数初始化隶属度矩阵U for i = 1:max_iter [U, center, obj_fcn(i)] = myfcmstep(data, U, cluster_n, expo); %调用myfcmstep函数进行一次迭代 if display==1 fprintf('迭代次数 = %d, obj. fcn = %f\n', i, obj_fcn(i)); end % 检查迭代终止条件 if i > 1, if abs(obj_fcn(i) - obj_fcn(i-1)) < min_impro break; end end end

iter_n = i; % iter_n为实际迭代次数 obj_fcn(iter_n+1:max_iter) = [];

2.myfcminit函数,用于对隶属度矩阵进行初始化 function U = myfcminit (cluster_n, data_n) % % U为隶属度矩阵,大小为:类别数*被聚类数据元素个数 %参数cluster_n为聚类类别数 %data_n为被聚类数据的元素个数 % U = rand(cluster_n, data_n); %随机生成隶属度矩阵U col_sum = sum(U);%计算U中每列元素和 U = U./col_sum(ones(cluster_n, 1), :); %保证U中每列的隶属度值之和为1

3. myfcmstep函数用于聚类过程中的每次迭代 function [U_new, center, obj_fcn] = myfcmstep (data, U, cluster_n, expo) % % data为被聚类数据,U为隶属度矩阵,cluster_n为聚类类别数,expo为FCM中的参数m % 函数调用后得到新的隶属度矩阵U_new,聚类中心center,目标函数值obj_fcn % mf = U.^expo; % FMC中的U^m center = mf*data./((ones(size(data, 2), 1)*sum(mf'))'); % 得到聚类中心 dist = myfcmdist (center, data); % 调用myfcmdist函数计算聚类中心与被聚类数据的距离 obj_fcn = sum(sum((dist.^2).*mf)); % 得到目标函数值 tmp = dist.^(-2/(expo-1)); % 如果迭代次数不为1,计算新的隶属度矩阵 U_new = tmp./(ones(cluster_n, 1)*sum(tmp)); % U_new为新的隶属度矩阵

4.myfcmdist函数用于计算聚类中心与被聚类数据的距离 function out =myfcmdist (center, data) % % center为聚类中心,data为被聚类数据 % out = zeros(size(center, 1), size(data, 1)); if size(center, 2) > 1, %若聚类中心数据大于1,即聚类类别>=2 for k = 1:size(center, 1), out(k, :) = sqrt(sum(((data-ones(size(data, 1), 1)*center(k, :)).^2)')); end else % data为一维数据 for k = 1:size(center, 1), out(k, :) = abs(center(k)-data)'; end end

5.fcmapp函数实现聚类分割图像 function myfcmseg(file, cluster_n) % file: 图像文件. % cluster_n: 聚类类别数. eval(['info=imfinfo(''',file, ''');']); %获取文件信息 switch info.ColorType case 'truecolor' %真彩色图像 eval(['RGB=imread(''',file, ''');']); I = rgb2gray(RGB); clear RGB; case 'indexed' %索引图像 eval(['[X, map]=imread(''',file, ''');']); I = ind2gray(X, map); clear X; case 'grayscale' %灰度图像 eval(['I=imread(''',file, ''');']); end; I = im2double(I); filename = file(1 : find(file=='.')-1); %获取主文件名 data = reshape(I, numel(I), 1); %将图像数据转为一列数据

tic %计时开始 options=[2; % FCM中的参数m 100; % 最大迭代次数 1e-5; % 判别误差epsonal 1]; [center, U, obj_fcn]=myfcm(data, cluster_n,options); %调用myfcm函数进行聚类 elapsedtime = toc; %聚类结束,计时结束,elapsedtime为进行聚类,所花时间 %聚类所获得数据保存在filename.mat文件中 %eval(['save(', filename, int2str(cluster_n),'.mat'', ''center'', ''U'', ''obj_fcn'', ''elapsedtime'');']); %fprintf('聚类耗时 = %d', elapsedtime);

maxU=max(U); temp = sort(center); for n = 1:cluster_n; %按聚类结果分割图像 eval(['cluster',int2str(n), '_index = find(U(', int2str(n), ',:) == maxU);']); index = find(temp == center(n)); switch index case 1 color_class = 0; case cluster_n color_class = 255; otherwise color_class = fix(255*(index-1)/(cluster_n-1)); end eval(['I(cluster',int2str(n), '_index(:))=', int2str(color_class),';']); end; I = mat2gray(I); %eval(['imwrite(I,', filename,'_seg', int2str(cluster_n), '.bmp'');']); %保存生成的分割图像 imshow(I);%显示生成的分割的图像