基于matlab的FCM聚类图像分割

1 原理

FCM（Fuzzy C-Means）聚类图像分割原理主要基于模糊聚类理论，将图像中的像素点按照其灰度值、颜色或纹理等特征进行模糊划分，使得图像中具有相似特性的区域能够被聚类成同一类，进而实现图像的分割。以下是FCM聚类图像分割原理的详细解释，包括公式和步骤：

1.1 FCM聚类原理

FCM聚类算法是一种基于模糊理论的聚类算法，与传统的硬聚类（如K-means）不同，FCM允许一个像素点属于多个类别，每个像素点对每个类别的隶属度用一个介于0和1之间的数值来表示。

1.2  FCM目标函数

FCM算法的目标是最小化均方差函数，该函数描述了所有像素点与其所属聚类中心的距离的平方和。目标函数的公式如下：

其中：

• n是像素点的总数。
• c是预设的聚类数目。
• 是第 i个像素点对第 j 个聚类的隶属度，且 。
• m 是模糊指数，通常是一个大于1的实数，用于控制隶属度的模糊程度。
• 是第 i个像素点的特征向量（如灰度值、颜色等）。
• 是第 j个聚类的中心向量。

1.3 FCM聚类流程

FCM聚类算法的流程大致如下：

1. 初始化：设定目标函数的精度、模糊指数 m、算法的最大迭代次数等参数，并随机初始化隶属度矩阵U。
2. 计算聚类中心：根据当前的隶属度矩阵 U，计算每个聚类的中心向量 。
3. 更新隶属度矩阵：根据新的聚类中心向量 ，更新隶属度矩阵 U。
4. 迭代：重复步骤2和步骤3，直到满足迭代终止条件（如达到最大迭代次数或目标函数的值小于预设的精度）。
5. 输出结果：当迭代终止时，输出最终的隶属度矩阵 U和聚类中心向量 。

2 代码

%% 
function [segmented_image, U, centers] = fuzzy_c_means_clustering(image, num_clusters, max_iter, m, error_tolerance)  
    % image: 输入的灰度图像，应该是一个二维数组  
    % num_clusters: 聚类的数量  
    % max_iter: 最大迭代次数  
    % m: 模糊加权指数，通常取值在[1.5, 2.5]之间  
    % error_tolerance: 收敛的误差容忍度  
  
    % 初始化参数  
    [rows, cols] = size(image);  
    data = double(reshape(image, rows*cols, 1)); % 将图像转换为一维数组  
    num_pixels = rows*cols;  
  
    % 初始化隶属度矩阵U，随机值在[0, 1]之间，并归一化每一行使其和为1  
    U = rand(num_pixels, num_clusters);  
    for i = 1:num_pixels  
        U(i,:) = U(i,:) / sum(U(i,:));  
    end  
  
    % 初始化聚类中心centers  
    centers = rand(num_clusters, 1) * max(data);  
  
    % FCM算法迭代  
    for iter = 1:max_iter  
        % 计算新的聚类中心  
        for j = 1:num_clusters  
            weights = U(:,j).^m; % 计算权重  
            centers(j) = sum(weights .* data) / sum(weights); % 更新聚类中心  
        end  
  
        % 计算新的隶属度矩阵U  
        old_U = U;  
        for i = 1:num_pixels  
            distances = sum((data(i,:) - centers).^2, 2); % 计算每个像素到聚类中心的距离  
            powers = 1 ./ (distances + eps).^(1/(m-1)); % 避免除以零，并计算距离的幂  
            U(i,:) = powers ./ sum(powers); % 更新隶属度矩阵  
        end  
  
        % 检查收敛性  
        if norm(U - old_U, 'fro') < error_tolerance  
            break;  
        end  
    end  
  
    % 将分割结果重新整形为图像  
    segmented_image = reshape(max(U, [], 2), rows, cols); % 取隶属度最大的类别作为分割结果  
    segmented_image = uint8(segmented_image * 255); % 转换为8位无符号整数  
  
end    
% 读取图像  
image = imread('test.jpg'); 
image = rgb2gray(image); % 如果图像是彩色的，则转换为灰度图像  
  
% 设置FCM参数  
num_clusters = 3; % 假设我们想要分割成3个类别  
max_iter = 2;  
m = 2;  
error_tolerance = 1e-5;  
  
% 执行FCM聚类  
[segmented_image, U, centers] = fuzzy_c_means_clustering(image, num_clusters, max_iter, m, error_tolerance);  
  
% 显示原始图像和分割后的图像  
figure;  
subplot(1, 2, 1);  
imshow(image);  
title('原始图像');  
  
subplot(1, 2, 2);  
imshow(segmented_image, []); % 显示分割后的图像，可能需要调整颜色映射  
title('FCM聚类分割后的图像');  
% 
% % 如果需要，可以显示聚类中心或隶属度矩阵U  
% disp('聚类中心:');  
% disp(centers);  
% disp('隶属度矩阵U:');  
% disp(U);

3 运行结果

图1 FCM聚类分割对比图

        从图1中可以看出分割效果底下，这是迭代10次的效果，在迭代1000次后效果会改善很多。