本方法是对台湾大学蔡杜明教授所写论文里面图像分割方法的matlab复现,原论文当中未附带matlab程序。原理类似http://blog.csdn.net/on2way/article/details/47087201里面的原理介绍,注意里面有一个小错误注意别理解错了。
注:这篇原理介绍文章中有一处错误,即u11与u12的求法是错误的,大家不要理解错了,这样的隶属度矩阵每一列的就不是1了,正确的求法是:u11=1/{[||x1-c1||/||x1-c1||]^o + [||x1-c1||/||x2-c1||]^o } 其中o=2/(m-1),m为自己定的一个大于1的数。
本方法是对传统模糊聚类FCM方法的改进,通过增加一个加权平均距离σ,来调节样本点到聚类中心的欧式距离,将图片分成C个类。本文只给出具体结果,推导过程望读者根据http://blog.csdn.net/on2way/article/details/47087201自己揣摩。
样本点到聚类中心的距离,我们这样定义:
其中加权平均距离:
我们的目的是要求得目标函数的条件极值,应用拉格朗日乗子法求多元函数的条件极小值。
目标函数的限制条件是:
通过求取偏导得到隶属度函数以及聚类中心:
隶属度矩阵:
其中:
,N代表将图片转化成一维矩阵所对应的样本点总数,C代表类的数目 聚类中心:
。
我们可以看到,传统FCM加入加权平均距离
后,聚类中心没有改变,只有隶属度矩阵以及目标函数受到了影响。
下面我们给出具体的MATLAB程序,来说明FCM-σ模糊聚类方法在图像分割中的应用:
clc
clear
close all
%% create samples:
img = imread('zhaocancan.jpg');
%img为uint8类型的
subplot(1,2,1),imshow(img,[])
data = double(img(:));
%data对应的是double类型的
cluster_n = 5;
%类别数
iter = 20;
%迭代次数
m = 2;
%m为大于1常数
num_data = size(data,1) %data的行数
num_d = size(data,2) %data的列数
U = rand(cluster_n,num_data);
col_sum = sum(U);
col_sum(ones(cluster_n,1),:);
U = U./col_sum(ones(cluster_n,1),:);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for i = 1:iter
u_sum_r=zeros(cluster_n,1);
for j = 1:cluster_n
u_ij_m = U(j,:).^m;
sum_u_ij = sum(u_ij_m);
sum_1d = u_ij_m./sum_u_ij;
c(j,:) = u_ij_m*data./sum_u_ij;
u_sum_r(j)=sum_u_ij; %将所有的聚类中心存到u_sum_r中
end
%-计算目标函数J
temp1 = zeros(cluster_n,num_data);
for j = 1:cluster_n
for k = 1:num_data
temp1(j,k) =U(j,k)^m*(norm(data(k,:)-c(j,:)))^2;
end
end
% Q=zeros(cluster_n,1);
Q=(sum(temp1,2)./u_sum_r).^0.5 ; %Q对应的就是加权平均距离σ
temp1=temp1./ (Q*ones(1,num_data));
J(i) = sum(sum(temp1));
%更新U
for j = 1:cluster_n
for k = 1:num_data
sum1 = 0;
for j1 = 1:cluster_n
temp = (norm(data(k,:)-c(j,:))./(Q(j)^0.5)/norm(data(k,:)-c(j1,:))).^(2/(m-1));
sum1 = sum1 + temp;
end
U(j,k) = 1./sum1;
end
end
end
[~,label] = max(U)%找到数据所属的类
img_new = reshape(label,size(img));
img_new1=uint8(img_new);%再将double型的转换成uint8型的用于显示。
subplot(1,2,2),imshow(mat2gray(img_new1),[])