توضیحات
Improved fuzzy clustering approach Application to medical image MRI
رویکرد خوشه بندی فازی بهبود یافته کاربرد در MRI تصویر پزشکی
قسمتی از گزارش شبیه سازی:
فراخوانی تصویر |
| پیش از هر چیز، باید تصویر مورد نظر را که میخواهیم تقطیع کنیم را وارد محیط MATLAB نماییم.
این عمل با استفاده از دستور imread(.) انجام میشود. سپس تصویر مورد نظر را به تصویر سطح خاکستری تبدیل مینماییم. همچنین برای عمل تقطیع تصویر ورودی باید به یک بردار ویژگی تبدیل شود. با استفاده از دستور reshape(.) تبدیل تصویر به یک بردار انجام میشود. |
|
%% Load Image % Open an image and read it [filename, pathname] = uigetfile({‘*.jpg’; ‘*.bmp’; ‘*.png’; ‘*.*’},’Select input image’); img = imread([pathname filename]); % Convert image to gray scale if size(img,3) == 3 img = rgb2gray(img); end data = double(reshape(img, size(img,1)*size(img,2), 1)); |
مقداردهی اولیه به پارامترها |
| در این قسمت پارامترهایی که در طول برنامه از آنها استفاده خواهد شد، مقداردهی خواهند شد.
در طول برنامه با هر یک از این پارامترها آشنا خواهید شد. |
|
%% Step 1: Initialization … |
|
… |
فازی C-means و EM |
| ابتدا باید ماتریسهای U و V از الگوریتم فازی C-means مقداردهی اولیه شوند.
سپس از دستور stepfcm(.) که در MATLAB برای الگوریتم فازی C-means آماده شده است، استفاده میکنیم. در این دستور U و V آپدیت میشوند و تا زمانی ادامه پیدا میکند که obj_fcn شرایط حداقلی را برقرار نماید. |
|
… در اینجا کد نیامده و با خرید این محصول قابل دریافت است. |
| سپس باید ماتریس بهینه شده U و V را به ورودی الگوریتم EM بدهیم تا این الگوریتم نیز اجرا شود.
دستور زیر مربوط به این الگوریتم است. |
|
% EM algorithm [p, u, v, energy] = EM(data, nC, V, U’); |
| سپس باید تصمیمگیری شود که تعداد کلاسهای الگوریتم چه تعداد باشد.
اما نکته بسیار مهمی که در این مقاله وجود دارد، این است که در این مقاله M_opt در فلوچارت آورده شده، اما در هیچ جای مقاله توضیح داده نشده که این ماتریس چگونه تعریف میشود. با توجه به بررسیها معلوم شد که الگوریتم EM هم، چنین ماتریسی در خود ندارد. بنابراین در یک ایده متغیر انرژی را در هر مرتبه در ماتریس M_opt کپی میکنیم. |
|
… |
تعیین تعداد کلاسها |
| پس از اینکه M_opt در مرحله قبل تکمیل شد، مینیمم مقدار این ماتریس به عنوان تعداد کلاسهای الگوریتم شناخته میشود.
این قسمت در کدهای زیر نشان داده شده است. |
|
%% Step 3 [~, opt] = min(M_opt); nC = opt+2; |
اجرای الگوریتم فازی C-means |
| در این مرحله دوباره باید الگوریتم فازی C-means اجرا شود، مراحل اجرای این الگوریتم در بالا توضیح داده شد، بنابراین از توضیح مجدد خودداری میشود. |
|
… |
اجرای الگوریتم PCM |
| این الگوریتم مشابه با فازی C-means است.
ابتدا باید سه ماتریس E، W و U مقداردهی اولیه شوند. |
|
… |
| سپس از دستور PCM استفاده میکنیم. این دستور یک تابع است که کدهای آن در پوشه برنامه قرار دارد. |
|
% PCM algorithm [V,T,E] = PCM(data, nC, w, [m; 100; min_impro; 1; 1], V); |
| سپس با استفاده از دستورات زیر تعیین میکنیم که هر پیکسل متعلق به کدام کلاس است.
با استفاده از دستور reshape(.) دوباره بردار ویژگیها را به همان تصویر اولیه تبدیل میکنیم. |
|
… |
| در نهایت دستورات زیر تصویر ورودی و خروجی را برای مقایسه نشان میدهد. |
|
… |
نتیجه شبیه سازی با متلب:
کلید واژه : خوشه بندی، پردازش تصویر ,پروژه متلب,شبیه سازی با متلب,matlab project,پروژه های matlab,
Clustering FCM EM PCM
شبیه سازی
Improved fuzzy clustering approach Application to medical image MRI
به تعداد محدودی قابل فروش می باشد.
سفارش انجام پروژه مشابه
درصورتیکه این محصول دقیقا مطابق خواسته شما نمی باشد،.
با کلیک بر روی کلید زیر پروژه دلخواه خود را سفارش دهید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.