模糊C均值聚类算法---图像分割（python）

Fuzzy C-Means算法

    模糊c均值聚类融合了模糊理论的精髓。相较于k-means的硬聚类，模糊c提供了更加灵活的聚类结果。因为大部分情况下，数据集中的对象不能划分成为明显分离的簇，指派一个对象到一个特定的簇有些生硬，也可能会出错。故，对每个对象和每个簇赋予一个权值，指明对象属于该簇的程度。当然，基于概率的方法也可以给出这样的权值，但是有时候我们很难确定一个合适的统计模型，因此使用具有自然地、非概率特性的模糊c均值就是一个比较好的选择。

算法原理

流程图

代码实现

• 初始聚类中心

 	c = 4  # 聚类数目c
    b = 2  # b>l，是一个可以控制聚类结果的模糊程度的常数。

    m=np.array([[0, 0, 0,],[0, 0,  0,], [0, 0, 0,], [0, 0, 0, ]]).astype(float)

• 计算隶属度

while(x>0.001):
        for row in range(h):
            for col in range(w):
                temp=0
                for i in range(c):
                    # 避免分母会为0，需要判断
                    if paradigm(img[row][col],m[i])!=0:
                        temp= temp + pow(1/paradigm(img[row][col],m[i]),1/(b - 1))
                    else:
                        temp = temp + pow(1/(10e-10),1/(b - 1))
                        
                for j in range(c):
                    # 避免分母会为0，需要判断
                    if paradigm(img[row][col],m[j]) != 0:
                        t=math.pow(1/paradigm(img[row][col],m[j]),1/(b-1))
                    else:
                        t=math.pow(1/(10e-10),1/(b-1))
                    # 更新隶属度表Mu
                    mu[row][col][j]=t/temp

• 更新聚类中心

 # 按照公式，将m的分子分母部分分别计算出来
  t=math.pow(mu[row][col][j],b)
  for i in range(ch):
      mfenzi[j][i]=mfenzi[j][i] + (t*img[row][col]