1 简介
SFFCM 是一种快速、鲁棒的彩色图像聚类分割算法。该算法首先定义一个多尺度形态学梯度重构(MultiscaleMorphological Gradient Reconstruction,MMGR)操作,经过 WT获得一个轮廓精确的超像素图像;接着,在获得的超像素图像的基础上,对每个超像素区域内所有像素颜色求平均,以此作为每个超像素区域的颜色,进而可以计算出超像素图像的颜色直方图;最后,利用直方图参数对超像素图像进行模糊C均值聚类(Fuzzy C-means Clustering,FCM),得到最终的分割结果。整个SFFCM算法框架如图1所示。
2 部分代码
function correct = renumber(clabels,labels) %clabels=groundTruth{1,2}.Segmentation; %labels=label; %labels=uint16(labels); %clabels=[1 1 2 1 1;1 2 2 2 1;2 2 1 2 2;1 2 2 2 1;1 1 2 1 1]; %labels=[1 1 2 1 1;1 2 2 2 1;2 2 2 2 2;1 2 2 2 1;1 1 2 1 1]; % clabels:标准聚类结果 % labels:自己的聚类结果 % correct:获得的准确率 labelsnum = unique(clabels); %计算标准结果分类数 cc = zeros(length(clabels),1); %定义一个数组存放标准结果类别数 for i = 1:length(labelsnum) index = find(clabels == labelsnum(i)); %抽取标准结果的像素位置 cc(index) = i; %所有元素对应的标签 end L = perms(1:length(labelsnum)); % here c must be less than 15%产生所有可能的排列 %标签可能会不对应 L = labelsnum(L); [hr,hc]=size(labels); relabels=reshape(labels,hr*hc,1); for i = 1:size(L,1) tmp = (L(i,:))'; a=tmp(cc) ; b=(tmp(cc) == relabels); correct(i) = mean(tmp(cc) == relabels); end [correct,index] = max(correct); tmp = (L(index,:))'; assignment = tmp(cc); %for i=1:c % index{i} = find(clabels==labelsnum(i)); % end % for s = 1:size(L,1) % for t =1:c % clabels(index{t}) = L(s,t); % end % tempcorrect(s) = mean(labels==clabels); % end % [correct,ind] = max(tempcorrect); % for t =1:c % clabels(index{t}) = L(ind,t); % end % assignment = clabels;
3 仿真结果
4 参考文献
[1]张聪炫等. "FRFCM聚类与深度优化的RGBD场景流计算." 电子学报 7(2020).