一个朋友让帮忙做图像分类，用FCM聚类算法，网上查了一下，FCM基本都是对一幅图像进行像素的分类，跟他说的任务不太一样，所要做的是将一个文件夹里的一千多幅图像进行分类。图像大概是这个样子的（是25*25的小图像）：
自己写太麻烦，我花了些时间在GitHub上找了FCM的算法，有一个比较合适的算法，链接如下： ，这个代码本来是用FCM处理鸢尾花分类的，输入是鸢尾花的四个特征，输出是三个预测类别。因为图像就是矩阵，矩阵也是多维向量，每一个像素值可以看做一个特征，那么完全可以把图像的所有像素当作特征值输入到程序中，而且他给的数据集里的图像是25*25的小图像而且是灰度图像。因此，我把图像文件夹里的图像转成了大矩阵，每一行代表一张图像。本身的鸢尾花数据是存为一个iris.mat的，是一个150*5的double矩阵，运行程序的时候先加载这个mat。我也依样画葫芦，将图像存为了一个1330*25的double矩阵，代码如下：
clear all;clc;pt = '.\training2\';ext = '*.bmp';dis = dir([pt ext]);nms = {dis.name};Images=[];for k = 1:length(nms) nm = [pt nms{k}]; A = imread(nm); B = reshape(double(A.'),1,25); Images=[Images;B]; % 对图像image进行相关操作endsave Data.mat Images; 然后就可以直接调用主FCM程序了。除了输入输出，其他基本没变。直接把原来的输出结果prediction向量改为输出三个分类，原来的向量是第一个图像是第几类，第二个图像是第几类这样的。改了之后是第一类有哪些图像，第二类有哪些图像等等。后来他说要分成20类，基本是一样的，写的比较简单，直接用向量来保存每一个类。代码如下：
number=1300; %图像的数量%把分类存到下面的向量中，向量中的每个值代表第几幅图像，3代表‘m3.bmp’.a=[];b=[];c=[];d=[];e=[];f=[];g=[];h=[];i=[];j=[];k=[];l=[];m=[];n=[];o=[];p=[];q=[];r=[];s=[];t=[];for x = 1:number switch(prediction(x)) case 1 a=[a,x]; case 2 b=[b,x]; case 3 c=[c,x]; case 4 d=[d,x]; case 5 e=[e,x]; case 6 f=[f,x]; case 7 g=[g,x]; case 8 h=[h,x]; case 9 i=[i,x]; case 10 j=[j,x]; case 11 k=[k,x]; case 12 l=[l,x]; case 13 m=[m,x]; case 14 n=[n,x]; case 15 o=[o,x]; case 16 p=[p,x]; case 17 q=[q,x]; case 18 r=[r,x]; case 19 s=[s,x]; case 20 t=[t,x]; endend save .\result\A.mat a;save .\result\B.mat b;save .\result\C.mat c;save .\result\D.mat d;save .\result\E.mat e;save .\result\F.mat f;save .\result\G.mat g;save .\result\H.mat h;save .\result\I.mat i;save .\result\J.mat j;save .\result\K.mat k;save .\result\L.mat l;save .\result\M.mat m;save .\result\N.mat n;save .\result\O.mat o;save .\result\P.mat p;save .\result\Q.mat q;save .\result\R.mat r;save .\result\S.mat s;save .\result\T.mat t;
分类最后的结果是这个样子的：
哦，中途还出了一个问题，错误提示是：fcm输入的参数太多，想了很久才想通，原来matlab有个自带的fcm函数，它的参数只有两个，难怪会提示输入的参数太多。把主函数fcm的文件名改为myfcm就可以了。
后来感觉还是有点不对，她说存成mat矩阵不好调用，还是直接把原来的数据集分类之后用文件保存起来，一个文件代表一个分类结果比较好，然后我直接把原图像文件夹的文件分成了20个子文件夹结果。其实还挺麻烦的，要先把源文件夹的图片读取出来，然后看看属于哪一类，再分到新的结果文件夹中。代码如下：
number=1300; %图像的数量for x = 1:number switch(prediction(x)) case 1 filename=strcat('.\training2\','m',num2str(x),'.bmp'); A=imread(filename); %读取第一类的图片 mkdir('result2\image1'); newfile=strcat('.\result2\image1\m',num2str(x),'.bmp'); imwrite(A,newfile); %将第一类图片保存到result2中 case 2 filename=strcat('.\training2\','m',num2str(x),'.bmp'); A=imread(filename); mkdir('result2\image2'); newfile=strcat('.\result2\image2\m',num2str(x),'.bmp'); imwrite(A,newfile); case 3 filename=strcat('.\training2\','m',num2str(x),'.bmp'); A=imread(filename); mkdir('result2\image3'); newfile=strcat('.\result2\image3\m',num2str(x),'.bmp'); imwrite(A,newfile); case 4 filename=strcat('.\training2\','m',num2str(x),'.bmp'); A=imread(filename); mkdir('result2\image4'); newfile=strcat('.\result2\image4\m',num2str(x),'.bmp'); imwrite(A,newfile); case 5 filename=strcat('.\training2\','m',num2str(x),'.bmp'); A=imread(filename); mkdir('result2\image5'); newfile=strcat('.\result2\image5\m',num2str(x),'.bmp'); imwrite(A,newfile); case 6 filename=strcat('.\training2\','m',num2str(x),'.bmp'); A=imread(filename); mkdir('result2\image6'); newfile=strcat('.\result2\image6\m',num2str(x),'.bmp'); imwrite(A,newfile); case 7 filename=strcat('.\training2\','m',num2str(x),'.bmp'); A=imread(filename); mkdir('result2\image7'); newfile=strcat('.\result2\image7\m',num2str(x),'.bmp'); imwrite(A,newfile); case 8 filename=strcat('.\training2\','m',num2str(x),'.bmp'); A=imread(filename); mkdir('result2\image8'); newfile=strcat('.\result2\image8\m',num2str(x),'.bmp'); imwrite(A,newfile); case 9 filename=strcat('.\training2\','m',num2str(x),'.bmp'); A=imread(filename); mkdir('result2\image9'); newfile=strcat('.\result2\image9\m',num2str(x),'.bmp'); imwrite(A,newfile); case 10 filename=strcat('.\training2\','m',num2str(x),'.bmp'); A=imread(filename); mkdir('result2\image10'); newfile=strcat('.\result2\image10\m',num2str(x),'.bmp'); imwrite(A,newfile); case 11 filename=strcat('.\training2\','m',num2str(x),'.bmp'); A=imread(filename); mkdir('result2\image11'); newfile=strcat('.\result2\image11\m',num2str(x),'.bmp'); imwrite(A,newfile); case 12 filename=strcat('.\training2\','m',num2str(x),'.bmp'); A=imread(filename); mkdir('result2\image12'); newfile=strcat('.\result2\image12\m',num2str(x),'.bmp'); imwrite(A,newfile); case 13 filename=strcat('.\training2\','m',num2str(x),'.bmp'); A=imread(filename); mkdir('result2\image13'); newfile=strcat('.\result2\image13\m',num2str(x),'.bmp'); imwrite(A,newfile); case 14 filename=strcat('.\training2\','m',num2str(x),'.bmp'); A=imread(filename); mkdir('result2\image14'); newfile=strcat('.\result2\image14\m',num2str(x),'.bmp'); imwrite(A,newfile); case 15 filename=strcat('.\training2\','m',num2str(x),'.bmp'); A=imread(filename); mkdir('result2\image15'); newfile=strcat('.\result2\image15\m',num2str(x),'.bmp'); imwrite(A,newfile); case 16 filename=strcat('.\training2\','m',num2str(x),'.bmp'); A=imread(filename); mkdir('result2\image16'); newfile=strcat('.\result2\image16\m',num2str(x),'.bmp'); imwrite(A,newfile); case 17 filename=strcat('.\training2\','m',num2str(x),'.bmp'); A=imread(filename); mkdir('result2\image17'); newfile=strcat('.\result2\image17\m',num2str(x),'.bmp'); imwrite(A,newfile); case 18 filename=strcat('.\training2\','m',num2str(x),'.bmp'); A=imread(filename); mkdir('result2\image18'); newfile=strcat('.\result2\image18\m',num2str(x),'.bmp'); imwrite(A,newfile); case 19 filename=strcat('.\training2\','m',num2str(x),'.bmp'); A=imread(filename); mkdir('result2\image19'); newfile=strcat('.\result2\image19\m',num2str(x),'.bmp'); imwrite(A,newfile); case 20 filename=strcat('.\training2\','m',num2str(x),'.bmp'); A=imread(filename); mkdir('result2\image20'); newfile=strcat('.\result2\image20\m',num2str(x),'.bmp'); imwrite(A,newfile); endend 最后的结果基本达到要求了，完整的叙述一下这个任务就是：把一个文件夹里的图像数据（25*25）用FCM聚类算法进行分类，然后分类的结果保存到新的子文件夹中，每一个文件夹存储一类结果。最后的结果如下：
