💥1 概述
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：
📚2 运行结果
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');
