【图像分割】基于FLICM算法实现图像分割含Matlab源码
【图像分割】基于FLICM算法实现图像分割含Matlab源码
TT_Matlab
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，完整matlab代码或者程序定制加qq1575304183。
1 简介
聚类就是把具有相似性的事物区分开并加以分类。聚类分析是依据研究对象 ( 样品
或指标 ) 的特征，对其进行分类。其目标是：组内对象之间是相似的或是相关的，而不 同组中的对象不相同或者是不相关的，聚类过程中要求分类准确，分类的过程和结果是 可以重复的，但分类并不依赖于分析者的主观判断。 聚类分析作为多元统计分析的方法 之一，也是统计模式识别中的非监督模式识别的一个重要分支。
聚类可以看作是一种分类，用类标号从而创建对象的标记，多数情况下我们对于分
类识别的对象是未知的，因此聚类分析通常也被称为无监督分类。与此相反，用一个由 类标号已知的对象建立的模型，对新的、无标记的对象赋予一个类的标号称为有监督分 类。 在现实中由于事物的复杂性，聚类对象之问的界限往往不是特别清晰，比如对于脑 组织核磁共振图像这样的医学图像来说，由于不同脑组织 ( 如白质、灰质和脑脊液 ) 等混 杂在一起会导致图像更加不清晰。 因此使用基于多元统计分析的聚类方法分析脑组织核 磁共振图像将会受到极大的限制。 模糊集合的出现，让传统的聚类分析看到了曙光，从 而出现了基于模糊集理论的聚类方法——模糊聚类分析。 通过模糊聚类分析能够客观地 描述具有不明性的对象，使得实际的聚类结果更加准确合理。
目前，应用最广泛的是模糊 C 均值聚类算法，简称 FCM 算法。该方法通过对目标函
数的迭代优化获取对数据集的模糊分类，即将聚类归结为一个带有约束的非线性规划问 题，这种方法设计简单，可以转化为优化问题进行求解，在计算机上实现比较容易，另 外，模糊 C 均值聚类在图像分割中是一种无监督模糊聚类的标定过程，因此这种方法从 理论上看很适合医学图像的分割。
传统的 FCM 算法，对没有被噪声污染的图像有很好的分割效果，但对于被噪声污
染的图像，如图( 3-1 )所示，分割效果不太理想。这种对噪声敏感实质上是由于没有利 用被分割像素的空间位置信息，忽略了像素之间的邻域信息，因此对于信噪比低的图像， 分割效果很不理想。 在图像分割过程中，既能减少各种噪声的干扰，又能对原始图像信 息进行精确分类是基于标准 FCM 图像分割方法需要改进的一个方向。
2 部分代码
clear all;
clc;
% image = load(’im.txt’);
image = imread(’017.jpg’);
[row,col,channels] = size(image);
if (channels > 1)
image = rgb2gray(image);
figure;
subplot(131)
imshow(image);
title(’原图像’)
else
figure;
subplot(131)
imshow(image);
title(’原图像’)
end
%对输入图像进行高斯滤波
originimg=image;
originimg=mat2gray(originimg);
[ori_row,ori_col]=size(originimg);
sigma = 1.6; %sigma赋值
N = 7; %大小是（2N+1）×（2N+1）
N_row = 2*N+1;
OriImage_noise = imnoise(originimg,’gaussian’); %加噪
gausFilter = fspecial(’gaussian’,[N_row N_row],sigma); %matlab 自带高斯模板滤波
img=imfilter(OriImage_noise,gausFilter,’conv’);
%figure;
subplot(132)
imshow(img);
title(’高斯滤波后’)
key_mat = []; % 定义一个空的关键像素矩阵
non_key_mat = []; %非关键像素矩阵
for i = 2:3:row
for j = 2:3:col
if row-i<1|col-j<1
continue;
end
window_image = img(i-1:i+1,j-1:j+1);
[r,c] = size(window_image);
max_value = max(max(window_image)); % 窗口最大值
[x,y] = find(window_image==max_value);
key_mat = [key_mat;[i-2+x(1),j-2+y(1),max_value]];
img(i-2+x(1),j-2+y(1))=-1;
% for m = 1:r
% for n = 1:c
% non_key_mat = [non_key_mat;i-2+m,j-2+n,window_image(m,n)];
% end
% end
end
end
[r,c]=find(img ~=-1);
value = (img(find(img ~=-1)));
non_key_mat = [r c value];
% for m = 1:row
% for n = 1:col
% tmp = [m,n,img(m,n)];
% if ismember(tmp,key_mat,’rows’) == 1
% continue;
% end
% non_key_mat = [non_key_mat;tmp];
% end
% end
New_img = key_mat(:,3);
New_coord = key_mat(:,1:2);
cNum = 2;
m = 2;
winSize = 5;
maxIter = 59;
thrE = 0.00001;
% FLICM
[imOut,iter] = FLICM_clustering( New_img, cNum, m, winSize, maxIter, thrE );
imOut = double(imOut);
key_mat = [key_mat imOut];
figure;
gscatter(key_mat(:,1),key_mat(:,2),imOut);
size(non_key_mat);
size(key_mat);
key_mat;
%key_mat = sortrows(key_mat,[1 2])
%img(find(img==-1));
% [xx,yy] = find(img ==-1);
% key = sortrows([yy xx],1)
% img(find(img==-1)) = key_mat(:,4)
for i = 1:size(non_key_mat,1)
z = ones(1,size(key_mat,1))*non_key_mat(i,1);
z=z’;
zc = ones(1,size(key_mat,1))*non_key_mat(i,2);
zc=zc’;
size(key_mat(:,1));
dis = (z-key_mat(:,1)).* (z-key_mat(:,1))+(zc-key_mat(:,2)).*(zc-key_mat(:,2));
dis = sqrt(dis);
[labelx,labely] = min(dis);
dis = sort(dis);
xx = key_mat(labely,:);
img(non_key_mat(i,1),non_key_mat(i,2)) = xx(4);
end
for j = 1:size(key_mat,1)
img(key_mat(j,1),key_mat(j,2)) = key_mat(j,4);
end
% figure;
% imshow(img,[]);
subplot(133)
imagesc(label2rgb(img,’jet’,’w’,’shuffle’))
axis image; axis off;
set(gca,’position’,[0 0 1 1]);
axis normal
title(’FLFCM分割图’)
3 仿真结果
4 参考文献
[1]詹新玲. 基于FLICM模糊聚类和水平集算法的医学图像分割[D]. 河北大学.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。