fcm演算法圖像分割

A. 圖像分割的特定理論

圖像分割至今尚無通用的自身理論。隨著各學科許多新理論和新方法的提出，出現了許多與一些特定理論、方法相結合的圖像分割方法。 特徵空間聚類法進行圖像分割是將圖像空間中的像素用對應的特徵空間點表示，根據它們在特徵空間的聚集對特徵空間進行分割，然後將它們映射回原圖像空間，得到分割結果。其中，K均值、模糊C均值聚類(FCM)演算法是最常用的聚類演算法。K均值演算法先選K個初始類均值，然後將每個像素歸入均值離它最近的類並計算新的類均值。迭代執行前面的步驟直到新舊類均值之差小於某一閾值。模糊C均值演算法是在模糊數學基礎上對K均值演算法的推廣，是通過最優化一個模糊目標函數實現聚類，它不像K均值聚類那樣認為每個點只能屬於某一類，而是賦予每個點一個對各類的隸屬度，用隸屬度更好地描述邊緣像素亦此亦彼的特點，適合處理事物內在的不確定性。利用模糊C均值(FCM)非監督模糊聚類標定的特點進行圖像分割，可以減少人為的干預，且較適合圖像中存在不確定性和模糊性的特點。
FCM演算法對初始參數極為敏感，有時需要人工干預參數的初始化以接近全局最優解，提高分割速度。另外，傳統FCM演算法沒有考慮空間信息，對雜訊和灰度不均勻敏感。 模糊集理論具有描述事物不確定性的能力，適合於圖像分割問題。1998年以來，出現了許多模糊分割技術，在圖像分割中的應用日益廣泛。模糊技術在圖像分割中應用的一個顯著特點就是它能和現有的許多圖像分割方法相結合，形成一系列的集成模糊分割技術，例如模糊聚類、模糊閾值、模糊邊緣檢測技術等。
模糊閾值技術利用不同的S型隸屬函數來定義模糊目標，通過優化過程最後選擇一個具有最小不確定性的S函數。用該函數增強目標及屬於該目標的像素之間的關系，這樣得到的S型函數的交叉點為閾值分割需要的閾值，這種方法的困難在於隸屬函數的選擇。基於模糊集合和邏輯的分割方法是以模糊數學為基礎，利用隸屬圖像中由於信息不全面、不準確、含糊、矛盾等造成的不確定性問題。該方法在醫學圖像分析中有廣泛的應用，如薛景浩 等人提出的一種新的基於圖像間模糊散度的閾值化演算法以及它在多閾值選擇中的推廣演算法，採用了模糊集合分別表達分割前後的圖像，通過最小模糊散度准則來實現圖像分割中最優閾值的自動提取。該演算法針對圖像閾值化分割的要求構造了一種新的模糊隸屬度函數，克服了傳統S函數帶寬對分割效果的影響，有很好的通用性和有效性，方案能夠快速正確地實現分割，且不需事先認定分割類數。實驗結果令人滿意。 概述
小波變換是2002年來得到了廣泛應用的數學工具，它在時域和頻域都具有良好的局部化性質，而且小波變換具有多尺度特性，能夠在不同尺度上對信號進行分析，因此在圖像處理和分析等許多方面得到應用。
小波變換的分割方法
基於小波變換的閾值圖像分割方法的基本思想是首先由二進小波變換將圖像的直方圖分解為不同層次的小波系數，然後依據給定的分割准則和小波系數選擇閾值門限，最後利用閾值標出圖像分割的區域。整個分割過程是從粗到細，有尺度變化來控制，即起始分割由粗略的L2(R)子空間上投影的直方圖來實現，如果分割不理想，則利用直方圖在精細的子空間上的小波系數逐步細化圖像分割。分割演算法的計算饋與圖像尺寸大小呈線性變化。

B. 模糊C均值聚類演算法（FCM）

【嵌牛導讀】FCM演算法是一種基於劃分的聚類演算法，它的思想就是使得被劃分到同一簇的對象之間相似度最大，而不同簇之間的相似度最小。模糊C均值演算法是普通C均值演算法的改進，普通C均值演算法對於數據的劃分是硬性的，而FCM則是一種柔性的模糊劃分。

【嵌牛提問】FCM有什麼用？

【嵌牛鼻子】模糊C均值聚類演算法

【嵌牛正文】

聚類分析是多元統計分析的一種，也是無監督模式識別的一個重要分支，在模式分類、圖像處理和模糊規則處理等眾多領域中獲得最廣泛的應用。它把一個沒有類別標記的樣本按照某種准則劃分為若乾子集，使相似的樣本盡可能歸於一類，而把不相似的樣本劃分到不同的類中。硬聚類把每個待識別的對象嚴格的劃分某類中，具有非此即彼的性質，而模糊聚類建立了樣本對類別的不確定描述，更能客觀的反應客觀世界，從而成為聚類分析的主流。

模糊聚類演算法是一種基於函數最優方法的聚類演算法，使用微積分計算技術求最優代價函數，在基於概率演算法的聚類方法中將使用概率密度函數，為此要假定合適的模型，模糊聚類演算法的向量可以同時屬於多個聚類，從而擺脫上述問題。 模糊聚類分析演算法大致可分為三類：

1）分類數不定，根據不同要求對事物進行動態聚類，此類方法是基於模糊等價矩陣聚類的，稱為模糊等價矩陣動態聚類分析法。

2）分類數給定，尋找出對事物的最佳分析方案，此類方法是基於目標函數聚類的，稱為模糊C 均值聚類。

3）在攝動有意義的情況下，根據模糊相似矩陣聚類，此類方法稱為基於攝動的模糊聚類分析法。

我所學習的是模糊C 均值聚類演算法，要學習模糊C 均值聚類演算法要先了解慮屬度的含義，隸屬度函數是表示一個對象x 隸屬於集合A 的程度的函數，通常記做μA (x)，其自變數范圍是所有可能屬於集合A 的對象（即集合A 所在空間中的所有點），取值范圍是[0,1]，即0<=μA (x)<=1。μA (x)=1表示x 完全隸屬於集合A ，相當於傳統集合概念上的x ∈A 。一個定義在空間X={x}上的隸屬度函數就定義了一個模糊集合A ，或者叫定義在論域X={x}上的模糊子集A 。對於有限個對象x 1，x 2，……，x n 模糊集合A 可以表示為：A ={(μA (x i ), x i ) |x i ∈X } (6.1)

有了模糊集合的概念，一個元素隸屬於模糊集合就不是硬性的了，在聚類的問題中，可以把聚類生成的簇看成模糊集合，因此，每個樣本點隸屬於簇的隸屬度就是[0，1]區間裡面的值。

FCM 演算法需要兩個參數一個是聚類數目C ，另一個是參數m 。一般來講C 要遠遠小於聚類樣本的總個數，同時要保證C>1。對於m ，它是一個控制演算法的柔性的參數，如果m 過大，則聚類效果會很次，而如果m 過小則演算法會接近HCM 聚類演算法。演算法的輸出是C 個聚類中心點向量和C*N的一個模糊劃分矩陣，這個矩陣表示的是每個樣本點屬於每個類的隸屬度。根據這個劃分矩陣按照模糊集合中的最大隸屬原則就能夠確定每個樣本點歸為哪個類。聚類中心表示的是每個類的平均特徵，可以認為是這個類的代表點。從演算法的推導過程中我們不難看出，演算法對於滿足正態分布的數據聚類效果會很好。

通過實驗和演算法的研究學習，不難發現FCM演算法的優缺點：

首先，模糊c 均值泛函Jm 仍是傳統的硬c 均值泛函J1 的自然推廣。J1 是一個應用很廣泛的聚類准則，對其在理論上的研究已經相當的完善，這就為Jm 的研究提供了良好的條件。

其次，從數學上看，Jm與Rs的希爾伯特空間結構(正交投影和均方逼近理論) 有密切的關聯，因此Jm 比其他泛函有更深厚的數學基礎。

最後，FCM 聚類演算法不僅在許多鄰域獲得了非常成功的應用，而且以該演算法為基礎，又提出基於其他原型的模糊聚類演算法，形成了一大批FCM類型的演算法，比如模糊c線( FCL) ，模糊c面(FCP) ，模糊c殼(FCS) 等聚類演算法，分別實現了對呈線狀、超平面狀和「薄殼」狀結構模式子集(或聚類) 的檢測。

模糊c均值演算法因設計簡單，解決問題范圍廣，易於應用計算機實現等特點受到了越來越多人的關注，並應用於各個領域。但是，自身仍存在的諸多問題，例如強烈依賴初始化數據的好壞和容易陷入局部鞍點等，仍然需要進一步的研究。

C. FCM什麼意思

回答：流式細胞術是一種生物學技術，用於對懸浮於流體中的微小顆粒進行計數和分選。這種技術可以用來對流過光學或電子檢測器的一個個細胞進行連續的多種參數分析。

流式細胞術（Flow CytoMetry，FCM）是對懸液中的單細胞或其他生物粒子,通過檢測標記的熒光信號，實現高速、逐一的細胞定量分析和分選的技術。

延伸：

其特點是通過快速測定庫爾特電阻、熒光、光散射和光吸收來定量測定細胞 DNA含量、細胞體積、蛋白質含量、酶活性、細胞膜受體和表面抗原等許多重要參數。根據這些參數將不同性質的細胞分開，以獲得供生物學和醫學研究用的純細胞群體。

D. matlab中的功能函數FCM如何使用

模糊C均值聚類演算法，可將輸入的數據集data聚為指定的cluster_n類

【函數描述】
語法格式
[center, U, obj_fcn] = FCM(data, cluster_n, options)

用法：
1. [center,U,obj_fcn] = FCM(Data,N_cluster,options);
2. [center,U,obj_fcn] = FCM(Data,N_cluster);

輸入變數
data ---- n*m矩陣,表示n個樣本,每個樣本具有m維特徵值
cluster_n ---- 標量,表示聚合中心數目,即類別數
options ---- 4*1列向量，其中
options(1): 隸屬度矩陣U的指數，>1(預設值: 2.0)
options(2): 最大迭代次數(預設值: 100)
options(3): 隸屬度最小變化量,迭代終止條件(預設值: 1e-5)
options(4): 每次迭代是否輸出信息標志(預設值: 0)

輸出變數
center ---- 聚類中心
U ---- 隸屬度矩陣
obj_fcn ---- 目標函數值