1 簡介
模糊C均值聚類(FCM)圖像分割法是一種典型且常用的模糊聚類圖像分割算法，該方法原理簡單，疊代過程能夠自适應，但是該方法也存在一些明顯的缺陷：對噪聲敏感且對重疊部分圖像分割不準确。鑒于此，在已有的改進FCM算法的基礎上，本文将模糊集擴充為直覺模糊集，并結合圖像的空間資訊提出了一種基于直覺模糊 C均值聚類(IFCM)算法的圖像分割方法，直覺模糊集在模糊集上增加了非隸屬度函數，即用隸屬度及非隸屬度來描述集合的模糊性，這比經典模糊集表示模糊性更精确。1、介紹了傳統的模糊 C均值聚類(FCM)算法并讨論了其在圖像分割時存在的優缺點。針對FCM算法隻利用灰階資訊導緻圖像分割不準确的缺點，讨論了幾種結合空間資訊的改進FCM算法。2、由于直覺模糊集(IFS)比模糊集(FS)更能準确地刻畫資料的不确定性，本文構造了一種直覺模糊集并将該直覺模糊集引入到模糊C均值聚類算法中，提出了一種直覺模糊C均值算法(IFCM)。通過實驗驗證IFCM算法取得了較好的分割效果。
2 部分代碼
clear close all clc clear close all clc %% %%%%%%%%%%%%%%%圖像%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% I=imread('3096.jpg'); if size(I,3) == 3 I=rgb2gray(I); else end figure;imshow(I);title('(a)原始圖像');imwrite(I,'1.tiff','tiff','Resolution',300);%儲存為tif %I=I;%不加噪聲 % I=imnoise(I,'speckle',deta_2); I=imnoise(I,'salt & pepper',0.05); %加噪圖椒鹽噪聲 % I=imnoise(I,'gaussian',0,0.01); % 加高斯噪聲 figure;imshow(I);title('(b)加噪圖像');imwrite(I,['2.','.tiff'],'tiff','Resolution',300);%儲存為tif [m,n]=size(I); % k=4; k=2; r=3; m_index=2; beta=6; neighbor=3;%3*3鄰域去噪 lamda_s_enfcm=3;%s參數 I=im2double(I); I4 = I(:); %% 将圖像灰階按列排列 %% ------------------------ ifcm------------------------ ifcm_label=zeros(m*n,1); t=cputime; tic; [O2, U2, obj_fcn2] = ifcm(I4, k); toc; time_fcm_spatial_mean=cputime-t; maxU2 = max(U2); %隸屬度最大 for j=1:k index = find(U2(j, :) == maxU2); %隸屬度最大對應的像素位置 ifcm_label(index) = j; end labels2=reshape(ifcm_label,[m n]); %顯示聚類分割圖 labels2(find(labels2==1))=0; labels2(find(labels2==2))=255; labels2(find(labels2==3))=125; labels2(find(labels2==4))=180; labels2=uint8(labels2); % figure;imshow(labels2,[]);title('(c)聚類分割圖');imwrite(labels2,'3.jpg');imwrite(labels2,'33.png')%儲存為jpg figure;imshow(labels2,[]);title('(c)聚類分割圖'); imwrite(labels2,['3.1.','.tiff'],'tiff','Resolution',300);%儲存為tif 3 仿真結果