% FCMClust.m 采用模糊C均值对数据集data聚为cluster_n类
%
% 用法：
% 1. [center,U,obj_fcn] = FCMClust(Data,N_cluster,options)
% 2. [center,U,obj_fcn] = FCMClust(Data,N_cluster)
%
% 输入：
% data---- nxm矩阵,表示n个样本,每个样本具有m的维特征值
% N_cluster ---- 标量,表示聚合中心数目,即类别数
% options ---- 4x1矩阵，其中
% options(1): 隶属度矩阵U的指数，>1 (缺省值: 2.0)
% options(2): 最大迭代次数 (缺省值: 100)
% options(3): 隶属度最小变化量,迭代终止条件 (缺省值: 1e-5)
% options(4): 每次迭代是否输出信息标志(缺省值: 1)
% 输出：
% center ---- 聚类中心
% U ---- 隶属度矩阵
% obj_fcn ---- 目标函数值
% Example:
% data = rand(100,2)
% [center,U,obj_fcn] = FCMClust(data,2)
% plot(data(:,1), data(:,2),'o')
% hold on
% 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([1 2],1)],[center([1 2],2)],'*','color','k')
% hold off
if nargin ~= 2 &nargin ~= 3,%判断输入参数个数只能是2个或3个
error('Too many or too few input arguments!')
end
data_n = size(data, 1)% 求出data的第一维(rows)数,即样本个数
in_n = size(data, 2) % 求出data的第二维(columns)数，即特征值长度
% 默认 *** 作参数
default_options = [2% 隶属度矩阵U的指数
100 % 最大迭代次数
1e-5 % 隶属度最小变化量,迭代终止条件
1]% 每次迭代是否输出信息标志
if nargin == 2,
options = default_options
else %分析有options做参数时候的情况
% 如果输入参数个数是二那么就调用默认的option
if length(options) <4, %如果用户给的opition数少于4个那么其他用默认值
tmp = default_options
tmp(1:length(options)) = options
options = tmp
end
% 返回options中是数的值为0(如NaN),不是数时为1
nan_index = find(isnan(options)==1)
%将denfault_options中对应位置的参数赋值给options中不是数的位置.
options(nan_index) = default_options(nan_index)
if options(1) <= 1, %如果模糊矩阵的指数小于等于1
error('The exponent should be greater than 1!')
end
end
%将options 中的分量分别赋值给四个变量
expo = options(1) % 隶属度矩阵U的指数
max_iter = options(2) % 最大迭代次数
min_impro = options(3) % 隶属度最小变化量,迭代终止条件
display = options(4) % 每次迭代是否输出信息标志
obj_fcn = zeros(max_iter, 1)% 初始化输出参数obj_fcn
U = initfcm(cluster_n, data_n)% 初始化模糊分配矩阵,使U满足列上相加为1,
% Main loop 主要循环
for i = 1:max_iter,
%在第k步循环中改变聚类中心ceneter,和分配函数U的隶属度值
[U, center, obj_fcn(i)] = stepfcm(data, U, cluster_n, expo)
if display,
fprintf('FCM:Iteration count = %d, obj. fcn = %f\n', i, obj_fcn(i))
end
% 终止条件判别
if i >1,
if abs(obj_fcn(i) - obj_fcn(i-1)) <min_impro,
break
end,
end
end
iter_n = i% 实际迭代次数
obj_fcn(iter_n+1:max_iter) = []
% 子函数
function U = initfcm(cluster_n, data_n)
% 初始化fcm的隶属度函数矩阵
% 输入:
% cluster_n ---- 聚类中心个数
% data_n ---- 样本点数
% 输出：
% U ---- 初始化的隶属度矩阵
U = rand(cluster_n, data_n)
col_sum = sum(U)
U = U./col_sum(ones(cluster_n, 1), :)
% 子函数
function [U_new, center, obj_fcn] = stepfcm(data, U, cluster_n, expo)
% 模糊C均值聚类时迭代的一步
% 输入：
% data---- nxm矩阵,表示n个样本,每个样本具有m的维特征值
% U ---- 隶属度矩阵
% cluster_n ---- 标量,表示聚合中心数目,即类别数
% expo---- 隶属度矩阵U的指数
% 输出：
% U_new ---- 迭代计算出的新的隶属度矩阵
% center ---- 迭代计算出的新的聚类中心
% obj_fcn ---- 目标函数值
mf = U.^expo % 隶属度矩阵进行指数运算结果
center = mf*data./((ones(size(data, 2), 1)*sum(mf'))')% 新聚类中心(5.4)式
dist = distfcm(center, data) % 计算距离矩阵
obj_fcn = sum(sum((dist.^2).*mf)) % 计算目标函数值 (5.1)式
tmp = dist.^(-2/(expo-1))
U_new = tmp./(ones(cluster_n, 1)*sum(tmp)) % 计算新的隶属度矩阵 (5.3)式
% 子函数
function out = distfcm(center, data)
% 计算样本点距离聚类中心的距离
% 输入：
% center ---- 聚类中心
% data ---- 样本点
% 输出：
% out---- 距离
out = zeros(size(center, 1), size(data, 1))
for k = 1:size(center, 1), % 对每一个聚类中心
% 每一次循环求得所有样本点到一个聚类中心的距离
out(k, :) = sqrt(sum(((data-ones(size(data,1),1)*center(k,:)).^2)',1))
end
我贴部分FCM的Matlab代码：expo = options(1) % Exponent for U
max_iter = options(2) % Max. iteration
min_impro = options(3) % Min. improvement
display = options(4) % Display info or not
obj_fcn = zeros(max_iter, 1)% Array for objective function
U = initfcm(cluster_n, data_n) % Initial fuzzy partition
% Main loop
for i = 1:max_iter,
[U, center, obj_fcn(i)] = stepfcm(data, U, cluster_n, expo)
if display,
fprintf('Iteration count = %d, obj. fcn = %f\n', i, obj_fcn(i))
end
% check termination condition
if i >1,
if abs(obj_fcn(i) - obj_fcn(i-1)) <min_impro, breakend,
end
end
其中
U = initfcm(cluster_n, data_n) % Initial fuzzy partition
这个就是初始化划分矩阵，随机产生一个隶属度矩阵，
代码如下：
U = rand(cluster_n, data_n)
col_sum = sum(U)
U = U./col_sum(ones(cluster_n, 1), :)
上面就是它初始化的一个隶属度矩阵，
cluster_n行，data_n列。
即一列中从上到下表示每个样本隶属与每一类的隶属度。
然后在算法中不断迭代，
最后得到的还是如此大的一个矩阵，代表每个样本隶属与每一类的隶属度
然后选择最大的那个就是，它就属于那一类。
X=imread('D:\matlab7.1\toolbox\images\imdemos\rice.png')%输入样本矩阵...
Y=zeros(256,256)%%这里Y(i,j)是不和规则的，i，j没有定义，楼主的意思是产生0矩阵吧，猜测！
for p=1:256
K=Y%%%让K等于Y的每一个元素，不用K(i,j)=Y(i,j)这么写，直接写K=Y
for i=1:256
for j=1:256
Y(i,j)=(abs(X(i,p)-X(j,p)))%绝对值减数标定算法
end
end
Y(i,j)=Y(i,j)+K(i,j)
end
%计算截矩阵
L=0.97%取t中互不相同的元素
Rt(i,j)=0
for k=L
for i=1:256
for j=1:256
if B(i,j)>=k
Rt(i,j)=1
else
Rt(i,j)=0
end
end
end
end
Rt%%%这里的B矩阵中的值都是大于0.97的，所以Rt是全1的矩阵，显示出来是全白
%%%%%%%%%%%%%%%%这样修改，可以运行，但结果是全白图像。
尝试使用K均值聚类算法：
function [mu,mask1]=kmeans(ima,k)
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%
% kmeans image segmentation
%
% Input:
% ima: grey color image
% k: Number of classes
% Output:
% mu: vector of class means
% mask: clasification image mask
%
% Author: Jose Vicente Manjon Herrera
%Email: jmanjon@fis.upv.es
% Date: 27-08-2005
%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% check image
ima=double(ima)
copy=ima% make a copy
ima=ima(:) % vectorize ima
mi=min(ima) % deal with negative
ima=ima-mi+1% and zero values
s=length(ima)
% create image histogram
m=max(ima)+1
h=zeros(1,m)
hc=zeros(1,m)
for i=1:s
if(ima(i)>0)
h(ima(i))=h(ima(i))+1
end
end
ind=find(h)
hl=length(ind)
% initiate centroids
mu=(1:k)*m/(k+1)
% start process
while(true)
oldmu=mu
% current classification
for i=1:hl
c=abs(ind(i)-mu)
cc=find(c==min(c))
hc(ind(i))=cc(1)
end
%recalculation of means
for i=1:k,
a=find(hc==i)
mu(i)=sum(a.*h(a))/sum(h(a))
end
if(mu==oldmu)
break
end
end
% calculate mask
s=size(copy)
mask=zeros(s)
mask1=mask
size(mask1)
for i=1:s(1)
for j=1:s(2)
c=abs(copy(i,j)-mu)
a=find(c==min(c))
mask(i,j)=a(1)
end
end
mu=mu+mi-1 % recover real range
for i = 1 : k
p=find(mask==i)
mask1(p)=(i-1)/(k-1)
end
figure,imshow(mask1)、
%%%%%%%%%%%%%%运行结果不太理想！
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）