FCM聚类性能评估-图像兰德指数-matlab代码

以下是使用matlab计算FCM聚类的图像兰德指数的示例代码：

% 读取图像
img = imread('image.jpg');
% 将图像转换为灰度图像
gray_img = rgb2gray(img);
% 对图像进行归一化
norm_img = double(gray_img) / 255;
% 将图像拉伸到一维数组
data = norm_img(:);

% 设置聚类数目
c = 2;

% 运行FCM聚类算法
[center, U] = fcm(data, c);

% 将每个点分配到最近的聚类中心
[maxU, index] = max(U);

% 重新将一维数组转换为图像矩阵
index_img = reshape(index, size(gray_img));

% 读取真实标签图像
true_label_img = imread('true_label.jpg');
true_label_img = double(true_label_img) / 255;
true_label = true_label_img(:);

% 计算兰德指数
rand_index = rand_index(index, true_label, 'adjusted');
fprintf('兰德指数: %f\n', rand_index);

% 绘制聚类结果图像和真实标签图像
figure;
subplot(1, 2, 1);
imshow(index_img);
title('聚类结果');
subplot(1, 2, 2);
imshow(true_label_img);
title('真实标签');

在上述代码中，我们使用了matlab自带的`fcm`函数实现FCM聚类，并使用了`rand_index`函数计算兰德指数。需要注意的是，在计算兰德指数之前，我们需要将聚类结果和真实标签转换为一维数组。最后，我们使用`imshow`函数绘制聚类结果和真实标签的图像。