文档介绍：: .
实验一基于模糊聚类的图像分割
，实验目的
通过模糊c-均值（FCM ）聚类实现图像的分割。
，算法描述
动态聚类方法的目的是把 n个样本划分到c个类别中的一个，使各样本与其所在类均值 的误差平方和最小。FCM聚类算法的目标函数为：
Min （U,Z）= " （1）
其中m>1是一个可以控制聚类结果的模糊程度的常数。 在不同的隶属度定义方法下最小
化式（1）的损失函数，就得到不同的模糊聚类方法。其中最有代表性的模糊 C均值方
法，要求一个样本对于各个聚类的隶属度之和为 1，即
渝頼K 汩漏朋 ⑵
在条件（2）下求式（1）的最小值， 和一的偏导数为0，可得必要条件:
(3)
# / 9
# / 9
1>2,N)
盘=2^1
三，变量说明
P数据样本维数（灰度图像时为 1 ）；
N像素点数目；
X 像素i特征（灰度图像时，表示灰度值）
C 图像分割类别数；
U 像素点i属于第j类的隶属度；
Z 第i类聚类中心；
四，算法步骤
Step1:设置目标函数精度e，模糊指数 m（ m通常取2）,最大迭代次数比;
Step2:初始化模糊聚类中心-;
Step3:由（3）式更新模糊划分矩阵 U={^汀和聚类中心Z={和；
Step4:若 |J（t）-J（t-1）|< e 或 c>；；< 则结束聚类；否则，t=t+1 并转 Step3;
Step5:由所得U={ }得到各像素点的分类结果。
五，实验内容与要求
(1) 使用附录1的参考程序对无噪图像进行模糊聚类分割。
(2) 使用附录1的参考程序对各种加噪(高斯噪声，椒盐噪声及斑点噪声等)图像进行 模糊聚类分割，并与(1)中的相应结果进行比较。
(3) 2类或
附录1的参考程序给出了图像分割为 3类的FCM算法，请同学们进行分割为 4类的扩展，或者在理解例程或算法的基础上自己实现算法。
参考程序代码：
fun ctio n fem
桌面 \'); IM=tmp(:,:,1);
%IM=im noise(IM,'speckle',);
%IM=im noise(IM,'salt & pepper',);
%IM=im noise(IM,'gaussia n',0,);
IM=double(IM); figure(1);
imshow(ui nt8(IM));
[maxX,maxY]=size(IM);
IMM=cat(3,IM,IM,IM);
cc仁8;
cc2=100;
cc3=200;
ttfcm=0;
while(ttfcm<15)
ttfcm=ttfcm+1;
c1=repmat(cc1,maxX,maxY);
c2=repmat(cc2,maxX,maxY);
c3=repmat(cc3,maxX,maxY);
c=cat(3,c1,c2,c3);
ree=repmat(,maxX,maxY); ree1=cat(3,ree,ree,ree)
dista nce=IMM-c