2-52 一张被椒盐噪声干扰的图像，怎样利用邻域信息做更稳健的模糊聚类分割？

MATLAB FCM + FLICM 局部信息模糊 C 均值图像分割程序

一句话介绍： 这套 MATLAB 程序以 bacteria.jpg 为当前实际输入，先转为灰度图并加入密度为 0.02 的椒盐噪声，再分别使用传统 FCM 和引入局部邻域信息的 FLICM 完成二类聚类分割；FLICM 通过 3×3 邻域、空间距离和邻域隶属度构造模糊因子，使单个像素的分类不再只由自身灰度决定。

先看它解决什么问题

普通 FCM 用在灰度图像分割时，可以把每个像素看成一个样本，再根据像素灰度与聚类中心之间的距离进行模糊聚类。

问题在于：

图像不是一堆彼此独立的像素。

一个像素通常与周围像素具有明显的空间连续性。如果图像中出现椒盐噪声，某个原本属于暗背景的像素可能突然变成极亮值，或者一个亮目标像素突然变成极暗值。只按照这个像素自身的灰度判断，很容易受到孤立噪声干扰。

当前程序因此同时做两条处理链：

带噪灰度图 → FCM → 最大隶属度判决 → FCM 分割结果

带噪灰度图 → 建立局部邻域 → FLICM 迭代 → 最大隶属度判决 → FLICM 分割结果

两种方法使用的是同一幅带噪图像、同样的二分类设置，区别主要在于：

FCM 只使用像素自身信息，而 FLICM 进一步把周围像素的信息纳入当前像素的聚类判断。

1. 当前程序实际处理的是哪幅图像？

程序使用 rgb2gray 将 RGB 图像转换成灰度图，所以最终参与聚类的数据规模为：

150 × 150 = 22500 个灰度像素

随后通过 g(:) 把二维图像展开成一个 22500 × 1 的一维样本向量。

对于这个程序来说，每一个样本只有一个特征：

灰度值。

当前设置 k = 2，因此程序要把全部像素划分成两个灰度簇。结合当前细菌图像的亮暗结构，可以把它理解为对亮区域和暗区域进行二类分离，但源码本身并没有把“簇 1”“簇 2”固定命名为菌体或背景。

2. 程序到底给图像加入了什么噪声？

当前源码使用：

imnoise(I,'salt & pepper',0.02)

因此实际加入的是：

椒盐噪声，噪声密度为 0.02。

也就是名义上约有 2% 的像素受到随机脉冲噪声干扰。

这里有一个值得注意的源码细节：当前注释和显示标题中写的是“高斯噪声”，但真正调用的 imnoise 类型明确是 'salt & pepper'。

因此理解实验时应以实际函数调用为准：

当前程序比较的是 FCM 与 FLICM 在椒盐噪声条件下的图像聚类分割，而不是高斯噪声实验。

另外，源码没有固定随机种子。

这意味着每次调用 imnoise 时，被污染的具体像素位置可能不同，后面的模糊聚类初始化也存在随机性，因此不同运行之间的聚类中心、迭代次数、目标函数以及局部标签编号都可能存在变化。

3. 传统 FCM 在这里是怎样完成图像分割的？

程序首先把 FCM 作为对照方法。

输入为：g(:)

聚类数为：k = 2

随后直接调用 MATLAB 的 fcm：

[O,U,obj_fcn1] = fcm(g(:), k);

其中：

O：两个聚类中心；

U：每个像素对两个簇的隶属度；

obj_fcn1：FCM 迭代过程中的目标函数值。

FCM 并不会一开始就强制某个像素只能属于一个类别。

例如一个灰度像素可能同时具有：

对簇 1 的隶属度；对簇 2 的隶属度。

程序最后取每个像素的最大隶属度：

maxU = max(U);

哪个簇的隶属度最大，就把该像素最终标记成哪个类别。

因此当前 FCM 支路实际上完成的是：

灰度像素 → 模糊隶属度 → 最大隶属度硬判决 → 二类标签图

它能够利用灰度差异完成聚类，但没有使用像素在二维图像中的空间关系。

4. 为什么只用 FCM 容易受到椒盐噪声影响？

FCM 判断一个像素属于哪个簇，核心依据是：

这个像素的灰度值距离哪个聚类中心更近。

这对于普通聚类很自然，但图像中的椒盐噪声恰好会制造极端灰度。

假设一片背景区域整体比较暗，其中某个像素突然被椒盐噪声变成很亮。

传统 FCM 看到的是：“这个像素现在很亮。”

它并不知道：“这个像素周围其实几乎全是暗背景。”

因此孤立的异常灰度可能直接影响分类。

而在真实图像中，空间邻域往往提供了额外信息：

周围像素是什么类别，本身就是判断当前像素的重要依据。

FLICM 正是利用了这一点。

5. FLICM 比普通 FCM 多加入了什么信息？

FLICM 的关键不是换掉整个模糊 C 均值框架，而是在原有灰度距离之外增加一个：

局部模糊因子 G。

对于第 i 个像素属于第 k 个簇的情况，当前代码中的局部项可以概括为：

Gₖᵢ = Σⱼ∈Nᵢ [(1-uₖⱼ)ᵐ · ‖xⱼ-vₖ‖² / (dᵢⱼ+1)]

这里真正需要理解的是四件事：

Nᵢ：当前像素周围的邻域像素；

uₖⱼ：邻域像素 j 对第 k 个簇的隶属度；

‖xⱼ-vₖ‖²：邻域像素灰度与第 k 个聚类中心之间的平方距离；

dᵢⱼ：当前像素与邻域像素之间的空间距离。

当前模糊指数默认：m = 2

如果一个邻域像素本身就非常符合第 k 个簇，那么 1-uₖⱼ 会比较小，它产生的惩罚也较小。

反过来，如果周围很多像素都不支持当前像素属于这个簇，局部模糊因子就会对这一分类产生更明显的约束。

空间距离还会进一步调节这种影响：

离当前像素越近的邻域位置，对局部判断的作用越强。

因此 FLICM 不再只问：

“这个像素的灰度像哪个簇？”

而是进一步问：

“它周围的局部结构是否也支持这个判断？”

6. 3×3 邻域是怎样建立起来的？

当前主程序设置：r = 3

这里的 r 表示局部窗口的边长，因此使用的是：3 × 3 邻域窗口。

FLICM_find_neighbor.m 首先给整幅图像的每个像素建立位置编号，再在边界处进行镜像式扩展，然后为每一个像素提取对应的 3×3 位置窗口。

3×3 一共有 9 个位置。

程序随后删除中心像素自身，因此每个像素最终保留：8 个邻域位置。

所以对于当前 150×150 图像，neighbor_pos 实际描述的是：

22500 个像素各自对应的 8 个邻域位置。

程序还同时计算邻域中的空间距离 window_d。

在 3×3 窗口中：上、下、左、右距离为 1；四个对角邻居距离为 √2。

FLICM 中又使用 1/(d+1) 对邻域贡献进行调节，因此距离更近的位置获得更大的局部权重。

这个邻域表只需要在进入 FLICM 前建立一次，后续每一轮迭代都可以重复使用。

7. FLICM 每轮迭代具体更新什么？

FLICM.m 先通过 initfcm 随机初始化模糊隶属度矩阵 U，然后不断调用 FLICM_step.m。

一轮更新的主线可以压缩成：

当前隶属度 U → 更新聚类中心 → 计算灰度距离 → 计算邻域模糊因子 G → 更新隶属度 U → 判断是否收敛

首先对隶属度进行指数加权：mf = Uᵐ

然后根据模糊权重更新聚类中心。

由于当前输入只有一个灰度特征，所以两个聚类中心本质上就是两个经过隶属度加权的灰度中心。

接着 distfcm 计算每个像素与两个聚类中心之间的距离。

FLICM 再把：

像素自身距离 + 邻域模糊因子

组合起来。

可以定义：

Qₖᵢ = (‖xᵢ-vₖ‖² + Gₖᵢ)^(1/(m-1))

新的隶属度就是：

uₖᵢ = (1/Qₖᵢ) / Σ_c(1/Q_cᵢ)

这一步最关键的变化是：

某个像素即使灰度上很接近某个聚类中心，只要它的局部邻域明显不支持这个类别，最终隶属度也会受到 G 的修正。

这就是 FLICM 相比普通 FCM 更适合处理局部噪声干扰的核心机制。

8. 当前 FLICM 使用什么停止条件？

FLICM.m 给出的默认参数为：

程序不是直接根据目标函数变化停止，而是比较连续两轮隶属度矩阵：

‖U_old - U_new‖ 的 Frobenius 范数 < 1e-5

满足条件就提前结束。

否则最多执行：300 次迭代。

目标函数 obj_fcn 会把实际执行轮数对应的数据保留下来，其余预分配位置被删除。

当前程序还通过 cputime 单独记录 FLICM 计算时间，保存为：

time_FLICM

不过 FCM 支路没有做相同的计时，因此源码目前并没有形成严格的 FCM/FLICM 运行时间对比实验。

9. FLICM 最后怎样重新变回一幅分割图？

FLICM 返回的 U10 仍然是模糊隶属度矩阵。

程序和 FCM 使用完全相同的后处理方式：

对每个像素寻找最大隶属度 → 记录对应簇编号 → reshape 回原图尺寸

最终得到：labels10

尺寸仍然是：150 × 150

因此算法内部处理的是 22500×1 的样本向量，最后又恢复成与原图一一对应的二维标签图。

这里还要注意一个模糊聚类的常见现象：

簇编号本身没有固定语义。

由于初始化是随机的，一次运行中亮区域可能对应标签 1，另一次也可能对应标签 2。

因此判断分割是否一致时，应关注：

哪些像素被划到同一类以及区域结构是否一致

而不是把“类别 1”永久理解成背景或目标。

10. 当前程序能不能直接证明 FLICM 一定优于 FCM？

当前程序具备一个很清楚的比较条件：

同一幅图 → 同一次椒盐噪声污染 → 同样 k=2 → 分别执行 FCM 与 FLICM

所以它非常适合观察：

加入局部空间信息前后，分割结果会发生什么变化。

从算法机制看，FLICM 明确使用了 8 邻域信息，而 FCM 没有，因此当图像中出现孤立椒盐噪点时，FLICM 具备抑制这种局部异常影响的机制基础。

但当前工程没有计算：

分割准确率；

Dice；IoU；PSNR；与人工真值的误差；

多次随机实验的平均结果。

同时也没有保存一个固定随机种子。

因此依据当前源码，适合得出的结论是：

FLICM 在当前实现中增加了明确的局部邻域约束，可以直接与普通 FCM 做抗局部噪声机制和分割效果对照；但工程没有提供定量评价指标，不能凭空给出固定精度或“提升多少百分比”的结论。

11. 当前程序最终能够得到什么？

这套程序的主要技术输出包括：

FCM 的两个聚类中心 O；FCM 隶属度矩阵 U；

FCM 目标函数序列 obj_fcn1；FCM 二类标签图 fcm_result；

FLICM 的聚类中心 O10；FLICM 隶属度矩阵 U10；

FLICM 目标函数序列 obj_fcn10；

FLICM 二类标签图 labels10；FLICM 的 CPU 计时 time_FLICM。

从程序结构上看，它不是一个训练模型，也不需要提前准备标签。

输入就是图像本身，算法直接根据：

灰度差异 + 模糊隶属度 + 局部空间关系

完成无监督聚类分割。

当前工程也没有把分割结果自动保存到文件，结果主要通过 MATLAB 工作区变量和图像显示进行观察。

12. 它适合用在哪里？

图像聚类与模糊 C 均值教学

程序同时保留了标准 fcm 和自定义 FLICM 两条路径，非常适合观察：

普通 FCM → 加入局部信息后的 FLICM

到底改变了哪一部分计算。

尤其是 FLICM_step.m 把聚类中心、灰度距离、局部模糊因子和隶属度更新集中在一起，比较适合算法学习和课程实验。

椒盐噪声条件下的离线图像分割实验

当前主程序主动向图像加入椒盐噪声，再进行二类聚类，所以适合研究：

局部空间信息对脉冲噪声干扰的抑制作用。

这类实验更适合离线算法验证，而不是直接当作在线图像处理系统。

FCM 与 FLICM 的机制对照实验

两种算法使用完全相同的带噪输入，因此可以进一步扩展：

改变噪声密度；改变邻域尺寸；改变聚类数；记录目标函数；增加定量分割指标；

用来分析局部信息加入以后对聚类行为的影响。

灰度目标与背景存在明显差异的二类分割

当前默认 k=2，并且样例图像具有比较明显的亮暗区域，因此适合作为：

目标/背景二类灰度分割

的基础实验。

如果要处理多类别彩色图像、复杂纹理、监督语义分割或实时视频，当前程序还需要进一步扩展，不能直接把这套单图像 Demo 等同于完整视觉系统。

13. 哪些参数最值得修改？

当前程序里真正会明显改变实验行为的参数主要有下面几个。

其中最有实验价值的通常是：

噪声密度 + 邻域尺寸r。

前者改变问题难度，后者改变 FLICM 可以利用多少局部空间信息，两者结合起来最容易观察算法机制。

14. 怎么运行？

按当前源码直接执行时，程序实际分析 bacteria.jpg。

运行环境需要能够调用图像处理相关函数：

rgb2gray、imnoise、imshow

同时需要能够调用模糊聚类相关函数：

fcm、initfcm、distfcm

因此按当前源码运行，需要相应 MATLAB 图像处理和模糊逻辑函数可用。

如果希望改成处理 romantic.jpg，不能只修改第一条 imread，因为它后面仍会被 bacteria.jpg 覆盖。应删除、注释或修改第二条读图语句，使最终保留下来的 I 就是希望处理的图像。

如果准备换成自己的图像，最小修改入口同样是：

I = imread(...)

当前程序随后会统一转灰度，因此更适合直接用于二维灰度聚类实验。

还需要注意两点：

当前实际噪声类型是 'salt & pepper'，不是源码标题中写的高斯噪声；

当前没有固定随机种子，如果需要严格复现实验，应在加噪声和初始化聚类之前固定 MATLAB 随机数状态。

15. 一句话看懂这个项目

这是一个FCM/FLICM 图像聚类分割程序：当前源码实际读取 150×150 的bacteria.jpg，转成灰度图后加入密度 0.02 的椒盐噪声，把 22500 个像素灰度分别送入二类 FCM 和 FLICM；其中 FLICM 使用 3×3 窗口产生每像素 8 个邻域位置，把邻域隶属度、邻域灰度到聚类中心的距离以及空间距离共同构造成局部模糊因子，再迭代更新聚类中心与隶属度，最终恢复为二类标签图。它最适合用于 FCM/FLICM 算法教学、椒盐噪声下的离线图像分割和局部空间信息抗噪机制对照实验；当前工程没有固定随机种子和定量分割评价指标，因此不应把某一次视觉结果写成固定精度结论。