1.完整项目描述和程序获取
>面包多安全交易平台:https://mbd.pub/o/bread/ZJWUk5pr
>如果链接失效，可以直接打开本站店铺搜索相关店铺：
>如果链接失效，程序调试报错或者项目合作也可以加微信或者QQ联系。
2.部分仿真图预览
3.算法概述
半监督学习（Semi-supervised learning）发挥作用的场合是：你的数据有一些有label，一些没有。而且一般是绝大部分都没有，只有少许几个有label。半监督学习算法会充分的利用unlabeled数据来捕捉我们整个数据的潜在分布。它基于三大假设：
1）Smoothness平滑假设：相似的数据具有相同的label。
2）Cluster聚类假设：处于同一个聚类下的数据具有相同label。
3）Manifold流形假设：处于同一流形结构下的数据具有相同label。
标签传播算法（label propagation）的核心思想非常简单：相似的数据应该具有相同的label。LP算法包括两大步骤：1）构造相似矩阵（affinity matrix）；2）勇敢的传播吧。
label propagation是一种基于图的算法。图是基于顶点和边组成的，每个顶点是一个样本，所有的顶点包括了有标签样本和无标签样本；边代表了顶点i到顶点j的概率，换句话说就是顶点i到顶点j的相似度。
4.部分源码
................................................................................
if test_sel == 3
%Step1:计算少量有标记样本的均值，得到c（类别数目）个初始聚类中心点
%Step1:计算少量有标记样本的均值，得到c（类别数目）个初始聚类中心点
[m0,n0,k0] = size(Is);
%如果图片太大，会导致out of memory的错误，这里需要将图片自动变小
I = imresize(Is,[round(m0/2) round(n0/2)]);
[m2,n2,k2] = size(I);
Xr = (reshape((I(:,:,1))',1,m2*n2))';
Xg = (reshape((I(:,:,2))',1,m2*n2))';
Xb = (reshape((I(:,:,3))',1,m2*n2))';
X1 = [Xr,Xg,Xb];
rng(2)
tmp = randperm(length(X1));
%随机产生聚类中心点
[n,d] = size(X1);
Col = d; %测试数据的列数
X = X1(:,1:Col);
nc = X(tmp(1:k),:); %随机C个初始聚类中心点
%Step1：任意进行标记
%Step1：任意进行标记：
nr = zeros(1,k);
Dist = sqdist(nc',X',1); %聚类中心到数据点的距离
[Dwin,Iwin] = min(Dist',[],2);%Dwin 是Dist中每一列的最小值，Iwin是取最小值的行数k,都是n行1列的矩阵
%将数据根据分类结果标号，分成C个簇，表上标记
v = sort(tmp(1:k));
%进行部分标记
X_initial_sort(:,1:Col) = X; %较初步的分类结果给数据标号
X_initial_sort(:,Col+1)=Iwin;
%Step2：用基于局部和全局一致性算法对剩下的未标记的样本进行标记，其中已标记数据只使用c个中心点；（已有现成的程序）
%Step2：用基于局部和全局一致性算法对剩下的未标记的样本进行标记，其中已标记数据只使用c个中心点；（已有现成的程序）
%6.1选择没有被标记的数据集和
Y = produce_labelY2(X_initial_sort(:,Col+1),k);
%进行部分标记
yy = X_initial_sort(:,Col+1);
best_s = 0;
best_a = 0;
sigma = 0.076;
alpha = 0.959;
[F,errors] = LGC(X,Y,yy, sigma, alpha,delta2,k);
%6.2根据计算得到的F值对未标记的数据进行标记
for i=1:size(F,1)
[values(i),indexxx(i)] = max(F(i,:));
end
X_initial_sort3 = X_initial_sort;
X_initial_sort3(find(X_initial_sort(:,Col+1) == 0),Col+1) = indexxx(find(X_initial_sort(:,Col+1) == 0));
%Step7：在全部样本标记完后，再计算出各个类的c个中心点。
%Step7：在全部样本标记完后，再计算出各个类的c个中心点。
%Step7：在全部样本标记完后，再计算出各个类的c个中心点。
for i=1:k
c_final(i,:) = mean(X_initial_sort3(find(X_initial_sort3(:,Col+1) == i),1:Col));
end
%Step3：产生分类后的图像值。
%Step3：产生分类后的图像值。
results = zeros(length(X1),3);
for i = 1:length(X1)
results(i,:) = c_final(X_initial_sort3(i,4),:);
end
I2(:,:,1) = (reshape(results(:,1),n2,m2))';
I2(:,:,2) = (reshape(results(:,2),n2,m2))';
I2(:,:,3) = (reshape(results(:,3),n2,m2))';
figure;
subplot(121);imshow(uint8(I));title('原图');
subplot(122);imshow(uint8(I2)); title('分类结果图');
end
toc
09_018_m
