基于FCM聚类和模板匹配的视频马赛克检测方法，梁志敏，李文生，马赛克是数字电视节目中常见的一种视频缺陷现象，会造成视频质量的下降，因此在视频序列中有效地定位并修复马赛克块变得越来越重

c均值聚类算法matlab代码fcm_m 这是matlab代码中FCM聚类方法的一些变体。 您可以参考以下文章以进一步了解：“一种鲁棒的模糊局部信息C均值聚类算法”

灰狼优化算法(GWO)具有较强的局部搜索能力和较快的收敛速度,但在解决高维和复杂的优化问题时存在全局搜索能力不足的问题.对此,提出一种改进的GWO,即新型反向学习和差分变异的GWO(ODGWO).首先,提出一种最优最差反向学习策略和一种动态随机差分变异算子,并将它们融入GWO中,以便增强全局搜索能力;然后,为了很好地平衡探索与开采能力以提升整体的优化性能,对算法前、后半搜索阶段分别采用单维操作和全维操作形成ODGWO;最后,将ODGWO用于高维函数和模糊C均值(FCM)聚类优化.实验结果表明,在许多高维Benchmark函数(30维、50维和1000维)优化上,ODGWO的搜索能力大幅度领先于GWO,与state-of-the-art优化算法相比,ODGWO具有更好的优化性能.在7个标准数据集的FCM聚类优化上, 与GWO、GWOepd和LGWO相比,ODGWO表现出了更好的聚类优化性能,可应用在更多的实际优化问题上.

代码主要在matlab上实现了FCM的聚类分析。

FCM聚类算法介绍 FCM算法是一种基于划分的聚类算法，它的思想就是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。模糊C均值算法是普通C均值算法的改进，普通C均值算法对于数据的划分是硬性的，而FCM则是一种柔性的模糊划分

传统模糊??-均值(FCM) 算法要求一个样本对于各个聚类的隶属度之和满足归一化条件, 从而导致算法对噪声和孤立点敏感, 对非均衡分布样本的聚类有效性降低. 针对该问题, 提出一种改进模糊隶属函数约束的FCM聚类算法, 通过放松归一化条件, 推导出新的隶属度划分公式, 并在聚类过程中不断进行隶属度修正, 从而达到消除噪声样本、提高聚类有效性的目的. 最后通过实验结果对比验证了改进算法的正确性.

为解决PSO-FCM聚类算法针对多聚类问题，性能不足，容易陷入局部最优解，影响多聚类结果的准确度.提出一种基于PCA优化的PSO-FCM聚类算法，通过引入PCA分析方法，在粒子的各维度上设定不同的移动权重，降低粒子的敏感度，合理的控制粒子各维度上移动的速度，有效的降低粒子各维度上粒子无约束，位于多个聚类群交界处的粒子过分敏感，移动到错误的聚类的可能性增加.本文简要介绍了PSO-FCM算法的相关情况，详细介绍了本文的优化算法，最后通过实验证明，本文提出的优化算法在多个数据集上结果总体优于其他算法.

该算法通过fcm聚类算法，对图像进行分类，提取含有破损区域的类。

完整代码，可直接运行

FCM聚类，实现图像分割，有图片，matlab程序，自己运行过，可以实现。可下载学习。 FCM聚类，实现图像分割，有图片，matlab程序，自己运行过，可以实现。可下载学习。