彩色图像分割——matlab实现FCM算法

% 模糊C均值聚类算法如下
% 
% 1） 从n个数据集data = （ x1  x2  ... xn ） 中，确定聚类域个数c ，随机选取初始的
% 
% 聚类中心集V0 = （ v1  v2 ... vc ） ，确定隶属度矩阵U的加权指数expo 、最大迭代次数max_iter、终止误差ε> 0。
% 
% 
% 2） 重复下列操作直到‖Vb+1 - Vb ‖ <ε为止 b为当前
% 
% 迭代次数。
% 
%     a） 使用当前的Vb 计算隶属度矩阵Ub。
% 
%     b） 使用当前的Ub 计算聚类中心Vb+1。
%%%%%%%模糊模糊C均值聚类%%%%%%%
clear all;
figure（1）;
im=imread（‘803.bmp‘）;   %待聚类图像
% rgb=imresize（im0.5）;
% Ag=Ag（1:4801:640:）;
hsi=rgb2hsi（im）;
subplot（211）;
imshow（im）;
title（‘聚类原图像‘）;
% imagesc（rgb[0 1]）; colormap（gray）;
% Ag=double（rgb）;

%%%%-------分离lab通道------
h=hsi（::1）;

[m n]=size（h）;

% %%%%--------将l通道的像素转换成一列----
% 
% labAg11=im2col（labAg1[m n]‘distinct‘）;

%%%%----——确定样本点数和聚类中心个数————
data_ng = m*n;
cluster_ng=5;     %确定聚类个数

expo=2;      % 隶属度矩阵U的指数
max_iter =100;  % 最大迭代次数
min_impro = 1e-6;  % 隶属度最小变化量迭代终止条件
%%%--------初始化聚类中心----------
% center=[0.80.5950.350.190.130.05];  %初始化聚类中心
center=[0.80.590.350.190.002];  %初始化聚类中心
dist=zeros（mncluster_ng）;
u=zeros（mncluster_ng）;
J=zeros（1001）;
for k=1:cluster_ng
    for i=1:m
        for j=1:n
        	dist（ijk）=sqrt（（h（ij）-center（k））^2）;
        end
    end
end
for k=1:cluster_ng
    for i=1:m
        for j=1:n
            u（ijk）=（dist（ijk）^（-2/（expo-1）））/sum（dist（ij:）.^（-2/（expo-1）））;
        end
    end
end
J（1）=sum（sum（sum（u.^2.*（dist.^2））））;

t=2;
while t    for k=1:cluster_ng
        center（k）=sum（sum（u（::k）.^2.*h））/sum（sum（u（::k）.^2））;
    end
    for k=1:cluster_ng
        for i=1:m
             for j=1:n
                dist（ijk）=sqrt（（h（ij）-center（k））^2）;
             end
        end
    end
    for k=1:cluster_ng
        for i=1:m
            for j=1:n
                u（ijk）=（dist（ijk）^（-2/（expo-1）））/sum（dist（ij:）.^（-2/（expo-1）））;
            end
        end
    end
    J（t）=sum（sum（sum（u.^2.*dist.^2）））; 
    e=abs（J（t）-J（t-1））
    if abs（J（t）-J（t-1））        break;
    end
    t=t+1;
end
    
% dist=distfcm（center‘labAg11）;  %计算像素点到聚类中心的距离
% tmp = dist.^（-2/（expo-1））;
% Ug = tmp./（ones（cluster_ng 1）*sum（tmp））;  %初始化隶属度矩阵
% o