个人主页:研学社的博客
欢迎来到本博客❤️❤️
博主优势:博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
本文目录如下:
目录
1 概述
2 运行结果
3 Matlab代码实现
4 参考文献
通过最小化目标函数的聚类算法有一个明显的缺点,即必须手动设置聚类数。虽然密度峰值聚类能够找到聚类的数量,但在用于图像分割时会出现内存溢出,因为中等大小的图像通常包含大量像素,从而导致巨大的相似性矩阵。为了解决这个问题,我们提出了一种用于图像分割的自动模糊聚类框架(AFCF)。拟议的框架有三方面的贡献。首先,将超像素思想用于密度峰值(DP)算法,有效减小相似矩阵的大小,从而提高DP算法的计算效率;其次,我们采用密度平衡算法来获得鲁棒决策图,帮助DP算法实现全自动聚类。最后,在框架中使用基于先验熵的模糊c均值聚类来改善图像分割结果。由于考虑了像素和隶属关系的空间邻域信息,有效地改善了最终的分割结果。实验表明,所提框架不仅实现了图像自动分割,而且比现有算法提供了更好的分割结果。
文献来源:
部分代码:
clc
clear all
close all
f_ori=imread('.\Images\100007.jpg');
figure,imshow(f_ori);
[rows,cols,dim]=size(f_ori);
%% parameters computation
f_size=min(size(f_ori,1),size(f_ori,2));
gauF_w=2*ceil(f_size/500)+1;rs=ceil(f_size/500)+1;rm=ceil(f_size/100)+5;
%% gaussian filtering
sigma=1.0;gausFilter=fspecial('gaussian',[gauF_w gauF_w],sigma);g=imfilter(f_ori,gausFilter,'replicate');
%% Actually, you can use SE (2015-PAMI) to obtain better gradient images
F_ori=rgb2lab(f_ori);
a1=sgrad_edge(normalized(F_ori(:,:,1))).^2;b1=sgrad_edge(abs(normalized(F_ori(:,:,2)))).^2;c1=sgrad_edge(normalized(F_ori(:,:,3))).^2;
Gradient=sqrt(a1+b1+c1);
%% AMR-WT, you can find detailed technology and algorithm in TIP-2019
%Please cite the paper "Tao Lei, Xiaohong Jia,Tongliang Liu,Shigang Liu,Hongying Meng,and Asoke K. Nandi,
%Adaptive Morphological Reconstruction for Seeded Image Segmentation,
%IEEE Transactions on Image Processing, vol.28, no.11, pp.5510-5523, Nov. 2019."
Super_L=w_recons_adaptive(Gradient,rs,[rm 0.0001]);
L2=imdilate(Super_L,strel('square',2));
[Lseg,~,Num,centerLab]=Label_image(f_ori,L2);
BW = boundarymask(L2);
Super_line = imoverlay(Lseg,BW,'red');figure,imshow(Super_line);
%% Desnity peaks--2014Science
percent=2;
[Lab2,gamma,rho,delta,cluster_n,icl,Global_C_Lab,Cluster_Number]=w_DPRS_interval(centerLab,Num,percent);
%% Gaussian Mixed Model
[final_Label,center_Lab] =w_super_gmm(L2,centerLab,Num,cluster_n);
fs=Label_image(f_ori,final_Label);
BW = boundarymask(final_Label);
Lseg_line = imoverlay(fs,BW,'red');figure,imshow(Lseg_line);
%% drawing figures
figure,plot(gamma,'s')
hold on
plot(gamma(1:cluster_n),'s','MarkerFaceColor','r','Linewidth',2.5,'MarkerEdgeColor','r') % clustering centers are
xlabel ('n');
ylabel ('\phi');
部分理论来源于网络,如有侵权请联系删除。
T. Lei, P. Liu, X. Jia, X. Zhang, H. Meng and A. K. Nandi, "Automatic Fuzzy Clustering Framework for Image Segmentation," in IEEE Transactions on Fuzzy Systems, vol. 28, no. 9, pp. 2078-2092, Sept. 2020, doi: 10.1109/TFUZZ.2019.2930030.