基于MATLAB的FCM与K-means图像聚类分割实现

一、K-means算法实现

1. 核心代码

matlab 复制代码

% 读取图像并转换为特征向量
img = imread('peppers.png');
grayImg = rgb2gray(img);
[h, w] = size(grayImg);
pixelData = double(reshape(grayImg, h*w, 1)); % 灰度特征

% K-means参数设置
K = 3; % 聚类数
options = statset('Display', 'final');
[idx, centers] = kmeans(pixelData, K, 'MaxIter', 100, 'Options', options);

% 重构分割图像
segmented = reshape(idx, h, w);
figure;
subplot(121), imshow(img), title('原始图像');
subplot(122), imshow(label2rgb(segmented)), title('K-means分割结果');

2. 优化

特征增强：结合颜色（HSV）与空间坐标（x,y）提升分割连续性：

matlab 复制代码

hsvImg = rgb2hsv(img);
features = [hsvImg(:,:,2), hsvImg(:,:,3), 1/(h*w)]; % 饱和度+纹理+空间权重

初始化优化：使用K-means++提升聚类质量：
matlab 复制代码
```
centers = kmeanspp(pixelData, K); % 自定义K-means++初始化函数
```

二、FCM算法实现

1. 核心代码

matlab 复制代码

% 读取图像并转换为特征矩阵
img = imread('lena.jpg');
img_gray = rgb2gray(img);
pixelData = double(reshape(img_gray, [], 1)); % 灰度特征

% FCM参数设置
nClusters = 3; % 聚类数
m = 2; % 模糊指数
maxIter = 100; % 最大迭代次数
tolerance = 1e-5; % 收敛阈值

% 初始化隶属度矩阵
U = rand(size(pixelData, 1), nClusters);
U = U ./ sum(U, 2);

% FCM迭代
for iter = 1:maxIter
    % 更新聚类中心
    centers = (U.^m * pixelData) ./ (sum(U.^m, 1) * ones(1, size(pixelData, 2)));
    
    % 更新隶属度矩阵
    dist = pdist2(pixelData, centers);
    U_new = 1 ./ (dist.^(2/(m-1)) .* sum(1 ./ dist.^(2/(m-1)), 2));
    
    % 检查收敛
    if max(abs(U_new(:) - U(:))) < tolerance
        break;
    end
    U = U_new;
end

% 生成分割结果
segmented = reshape(find(U(:,1) == max(U, [], 2)), size(img_gray));
figure;
subplot(121), imshow(img), title('原始图像');
subplot(122), imshow(segmented), title('FCM分割结果');

2. 关键参数说明

模糊指数m ：控制隶属度模糊程度，m=2为常用值。
收敛阈值tolerance：值越小精度越高，但计算时间增加。

三、算法对比与适用场景

指标	K-means	FCM
计算效率	高（O(nkt)）	低（O(nk^2t)）
边界处理	硬边界（锯齿明显）	软边界（过渡平滑）
噪声鲁棒性	较差	较优
适用场景	大规模图像、快速原型	医学影像、复杂纹理分割

四、性能优化

预处理：
- 灰度化：rgb2gray减少计算量。
- 去噪：imgaussfilt高斯滤波消除噪声。
后处理：
- 形态学操作：imerode/imdilate去除小区域。
- 区域合并：基于邻域连通性优化分割结果。

多尺度分割：

matlab 复制代码

% 分块处理（适用于高分辨率图像）
blockSize = 128;
[rows, cols] = size(img_gray);
for i = 1:blockSize:rows
    for j = 1:blockSize:cols
        block = img_gray(i:min(i+blockSize-1,rows), j:min(j+blockSize-1,cols));
        % 对每个块单独聚类
    end
end

参考代码用fcm算法和kmeans算法进行聚类分割图像 www.youwenfan.com/contentcsr/100470.html

五、实验结果示例

算法	输入图像	分割结果（K=3）	分割结果（K=5）
K-means	image.jpg	kmeans3.jpg	kmeans5.jpg
FCM	image.jpg	fcm3.jpg	fcm5.jpg

六、常见问题解决

K-means初始中心敏感：
- 使用K-means++初始化提升稳定性。
FCM收敛慢：
- 减少迭代次数maxIter或增大tolerance。
内存不足：
- 对高分辨率图像分块处理，或使用single数据类型。