BP神经网络工具箱+Kmeans的图像分割算法

Halcom

BP神经网络工具箱+Kmeans的图像分割算法：
百度网盘链接：
链接：http://pan.baidu.com/s/1kVBjVAB

具体链接在halcom.cn论坛，联系人QQ：3283892722
该论坛是一个学习交流平台，我会逐一的和大家分享学习。
欢迎大家录制视频，并提交给我，我来设置视频，你可在论坛进行打赏分享。
视频专用播放器：http://halcom.cn/forum.php?mod=viewthread&tid=258&extra=page%3D1

BP_Kmeans代码如下

1. %% BP网络的预测
   
2. %% 清空环境变量
   
3. clc,clear,close all
   
4. warning off
   
5. format shortG
   
6. % 导入数据
   
7. im = imread('lena.jpg');
   
8. if size(im,3)>1
   
9.     im = rgb2gray(im);
   
10. end
    
11. if size(im,1)>256
    
12.     im = imresize(im,[256,ceil(size(im,2)/(size(im,1)/256))]);
    
13. end
    
14. [Row,Col] = size(im);
    
15. %% Kmeans进行图像数据的分类---For getting train data
    
16. Kc = 2;     % 分类数量
    
17. [ClusterData, center, center_index] = get_train_data(im, Kc);
    
18. %% 训练数据和预测数据
    
19. len = length(ClusterData);      % 样本长度
    
20. input_train = ClusterData(:)';  % 列方向排列样本
    
21. % 测试样本
    
22. im1 = imread('ysw.jpg');
    
23. im1 = im2double( im1(:,:,1) );
    
24. input_test = im1(:)';
    
25. % 输出
    
26. output_train = center_index'; % 训练
    
27. output_test = [];             % 预测的数据
    
28. 
    
29. %% 网络结构初始化
    
30. % 节点个数
    
31. inputnum=1;
    
32. % hiddennum=10;
    
33. outputnum=1;
    
34. %初始化网络结构
    
35. nntwarn off
    
36. % 单隐藏层
    
37. % net=newff(input_train,output_train,hiddennum,{'logsig','logsig'},'trainlm');
    
38. % 多隐藏层
    
39. net=newff(input_train,output_train,[3,7],{'logsig','logsig'},'trainlm');
    
40. net.trainParam.epochs=100;
    
41. net.trainParam.lr=0.01;
    
42. net.trainParam.goal=1e-16;
    
43. net.trainParam.min_grad = 1e-16;
    
44. net.trainParam.show=100;
    
45. net.trainParam.showWindow=1;
    
46. net.trainParam.max_fail=100;
    
47. %网络训练
    
48. [net,per]=train(net,input_train,output_train);
    
49. %% BP网络预测
    
50. % 训练样本--预测输出
    
51. yc_train = sim(net,input_train);
    
52. yc_train = round( yc_train' );
    
53. error_train = abs(yc_train-output_train');
    
54. disp(['训练样本均方根误差 = ',num2str(mse(error_train))])
    
55. 
    
56. % 测试样本--预测输出
    
57. yc_test = sim(net,input_test);
    
58. % yc_test = sim(net,input_train);
    
59. disp('预测数据如下：')
    
60. yc_test = round( yc_test' );
    
61. 
    
62. %% 测试样本分割结果
    
63. [Row,Col] = size(im1);
    
64. A = zeros(Row*Col, 1);
    
65. A(find(yc_test==1), :) = 1;
    
66. A1 = reshape(A,Row,Col);  % 第1类
    
67. A = zeros(Row*Col, 1);
    
68. A(find(yc_test==2), :) = 1;
    
69. A2 = reshape(A,Row,Col);  % 第2类
    
70. figure,
    
71. subplot(121),imshow(A1,[])
    
72. subplot(122),imshow(A2,[])

复制代码

采用kmeans算法获取训练样本数据：

1. function [ClusterData, center, center_index] = get_train_data(im, Kc)
   
2. 
   
3. if size(im,3)>1
   
4.     im = rgb2gray(im);
   
5. end
   
6. im = im2double(im);
   
7. 
   
8. ClusterData = im(:);
   
9. % 分类数
   
10. [len, depth]= size(ClusterData);
    
11. % Kc = 3;
    
12. % 初始化中心
    
13. index = ceil( unifrnd(1,len, 1, Kc) );   % 均匀分布
    
14. center = ClusterData(index,:);
    
15. center_new = center;   % 初始化新的中心
    
16. % maim loop
    
17. maxgen = 1e3;  % 最大迭代次数
    
18. for i=1:maxgen
    
19.     % 计算 每一个待分类的数据隶属于的中心编号
    
20.     [center_minDist,center_index] = center_nearest(center,ClusterData);
    
21.     % 更新center
    
22.     for j=1:Kc
    
23.         index = find(center_index==j);
    
24.         center_new(j, :) = mean( ClusterData(index,:) );
    
25.     end
    
26.     error = norm( center_new-center, 2 );  % 相连两次中心点的距离值
    
27.     center = center_new;   % 更新中心
    
28.     if error<0.000001
    
29.         break;
    
30.     end
    
31. end

复制代码

聚类中心计算：

1. function [minDist,index] = center_nearest(center,ClusterData)
   
2. % ClusterData:待聚类的数据
   
3. % center：聚类的中心
   
4. % 函数目的：求解每一个数据隶属于的中心
   
5. minDist = zeros(size(ClusterData,1),1);
   
6. index = zeros(size(ClusterData,1),1);
   
7. dist = zeros(size(center,1),1);
   
8. for i=1:length(ClusterData)
   
9.     for j=1:size(center,1)
   
10.         dist(j) = norm(ClusterData(i,:) - center(j,:), 2);
    
11.     end
    
12.     [ minDist(i), index(i) ]=  min(dist);
    
13. end

复制代码