資源描述：
《hcm和fcm圖像分割比較》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、課題名稱：基于HCM的灰度圖像分割預(yù)備知識(shí)：1.K—均值算法（HCM）依據(jù)準(zhǔn)則函數(shù)進(jìn)行分類，具體內(nèi)容：先選擇K個(gè)聚類中心，然后根據(jù)聚類準(zhǔn)則對(duì)K個(gè)中心反復(fù)修改（用迭代法），直至分類合理。聚類過程中，聚類中心數(shù)目不變。屬于一種硬分類。2.模糊C均值算法（FCM）將上述硬分類模糊化，引入隸屬度函數(shù)，定義聚類損失函數(shù)，并使其最小化（用迭代法求解）。當(dāng)算法收斂時(shí)，可得到各類聚類中心和各個(gè)樣本對(duì)于各類的隸屬度值，從而完成模糊聚類劃分。Matlab自帶了FCM函數(shù)，如下例：function[center,U,obj_fcn]=FCM(data,cluster_n,options)%FCM.m??采用模
2、糊C均值對(duì)數(shù)據(jù)集data聚為cluster_n類??%用法：%??1.??[center,U,obj_fcn]=FCM(Data,N_cluster,options);%??2.??[center,U,obj_fcn]=FCM(Data,N_cluster);%輸入：%??data??????----nxm矩陣,表示n個(gè)樣本,每個(gè)樣本具有m的維特征值%??N_cluster??----標(biāo)量,表示聚合中心數(shù)目,即類別數(shù)%??options????----4x1矩陣，其中%????options(1):??隸屬度矩陣U的指數(shù)，>1????????????(缺省值:2.0)%????optio
3、ns(2):??最大迭代次數(shù)??????????????????(缺省值:100)%????options(3):??隸屬度最小變化量,迭代終止條件????????(缺省值:1e-5)%????options(4):??每次迭代是否輸出信息標(biāo)志??????????(缺省值:1)%輸出：%??center????----聚類中心%??U????????----隸屬度矩陣%??obj_fcn????----目標(biāo)函數(shù)值%??Example:%????data=rand(100,2);%????[center,U,obj_fcn]=FCM(data,2);%????plot(data(:,1),
4、data(:,2),'o');%????holdon;%????maxU=max(U);%????index1=find(U(1,:)==maxU);%????index2=find(U(2,:)==maxU);%????line(data(index1,1),data(index1,2),'marker','*','color','g');%????line(data(index2,1),data(index2,2),'marker','*','color','r');%????plot([center([12],1)],[center([12],2)],'*','color','k'
5、)%????holdoff;3.圖像分割基本原理：根據(jù)圖像的組成結(jié)構(gòu)和應(yīng)用需求將圖像劃分為若干個(gè)互不相交的子區(qū)域的過程。這些子區(qū)域四某種意義下具有共同屬性的像素的連通集合。常用方法有：1）以區(qū)域?yàn)閷?duì)象進(jìn)行分割，以相似性原則作為分割的依據(jù)，即可根據(jù)圖像的灰度、色彩、變換關(guān)系等方面的特征相似來劃分圖像的子區(qū)域，并將各像素劃歸到相應(yīng)物體或區(qū)域的像素聚類方法，即區(qū)域法；2）以物體邊界為對(duì)象進(jìn)行分割，通過直接確定區(qū)域間的邊界來實(shí)現(xiàn)分割；3）先檢測(cè)邊緣像素，再將邊緣像素連接起來構(gòu)成邊界形成分割。本課題要求采用聚類算法進(jìn)行圖像分割，即將樣本像素歸為兩類（目標(biāo)和背景），并以0或1來分別賦閾值，處理結(jié)果類
6、似于二值化。圖像分割結(jié)果：1基于HCM的圖像分割clc;clear;I=imread('14.jpg');figure,imshow(I)%原始圖像I2=rgb2gray(I);%真彩變灰度figure,imshow(I2)%灰度圖像I3=reshape(I2,10000,1);I4=im2double(I3);k=2;%任意確定二個(gè)聚類中心z1=I4(2000,:);z2=I4(7000,:);fori=1:10000%分別計(jì)算每個(gè)樣本到個(gè)聚類中心的歐式距離f1=imsubtract(I4(i,:),z1);D1(:,i)=sqrt(f1*f1');f2=imsubtract(I4(i
7、,:),z2);D2(:,i)=sqrt(f2*f2');endD=[D1;D2];fori=1:10000%并按最近鄰規(guī)則聚類ifD1(:,i)==min(D(:,i)')%樣本中心穩(wěn)定，則為最終聚類結(jié)果s1(i,:)=zeros(1,1);elses1(i,:)=ones(1,1);endenda1=reshape(s1,100,100);figure,imshow(a1)圖1為RGB圖像；圖2為灰度圖像；圖3為聚類后的兩類樣本
