1 简介
模糊C均值聚类(FCM)图像分割法是一种典型且常用的模糊聚类图像分割算法，该方法原理简单，迭代过程能够自适应，但是该方法也存在一些明显的缺陷：对噪声敏感且对重叠部分图像分割不准确。鉴于此，在已有的改进FCM算法的基础上，本文将模糊集扩展为直觉模糊集，并结合图像的空间信息提出了一种基于直觉模糊 C均值聚类(IFCM)算法的图像分割方法，直觉模糊集在模糊集上增加了非隶属度函数，即用隶属度及非隶属度来描述集合的模糊性，这比经典模糊集表示模糊性更精确。1、介绍了传统的模糊 C均值聚类(FCM)算法并讨论了其在图像分割时存在的优缺点。针对FCM算法只利用灰度信息导致图像分割不准确的缺点，讨论了几种结合空间信息的改进FCM算法。2、由于直觉模糊集(IFS)比模糊集(FS)更能准确地刻画数据的不确定性，本文构造了一种直觉模糊集并将该直觉模糊集引入到模糊C均值聚类算法中，提出了一种直觉模糊C均值算法(IFCM)。通过实验验证IFCM算法取得了较好的分割效果。
2 部分代码
clear close all clc clear close all clc %% %%%%%%%%%%%%%%%图像%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% I=imread('3096.jpg'); if size(I,3) == 3 I=rgb2gray(I); else end figure;imshow(I);title('(a)原始图像');imwrite(I,'1.tiff','tiff','Resolution',300);%保存为tif %I=I;%不加噪声 % I=imnoise(I,'speckle',deta_2); I=imnoise(I,'salt & pepper',0.05); %加噪图椒盐噪声 % I=imnoise(I,'gaussian',0,0.01); % 加高斯噪声 figure;imshow(I);title('(b)加噪图像');imwrite(I,['2.','.tiff'],'tiff','Resolution',300);%保存为tif [m,n]=size(I); % k=4; k=2; r=3; m_index=2; beta=6; neighbor=3;%3*3邻域去噪 lamda_s_enfcm=3;%s参数 I=im2double(I); I4 = I(:); %% 将图像灰度按列排列 %% ------------------------ 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); %隶属度最大 for j=1:k index = find(U2(j, :) == maxU2); %隶属度最大对应的像素位置 ifcm_label(index) = j; end labels2=reshape(ifcm_label,[m n]); %显示聚类分割图 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)聚类分割图');imwrite(labels2,'3.jpg');imwrite(labels2,'33.png')%保存为jpg figure;imshow(labels2,[]);title('(c)聚类分割图'); imwrite(labels2,['3.1.','.tiff'],'tiff','Resolution',300);%保存为tif 3 仿真结果