Fuzzy C-means图像分割：首次质心更新后聚类中心全收敛至同一点

1. 隶属度矩阵初始化的潜在问题 #

你的隶属度初始化代码中，每个样本i的U[i][j]通过随机数归一化得到，但如果随机数分布过于均匀（比如rand()在60万级样本下的统计特性导致每个i的各j值接近），会使得每个U[i][j]趋近于1/c。此时所有聚类的权重pow(U[i][j], FUZZINESS)几乎相等，质心计算会直接变成全局像素的均值，最终所有聚类中心完全一致。

另外，注意你在initialize_membership_matrix中每次调用都执行srand(time(NULL))——如果这个函数被多次调用（比如迭代过程中重复初始化），且两次调用间隔小于1秒，time(NULL)返回相同值，会生成完全相同的随机序列，加剧隶属度分布的均匀性问题。建议将srand(time(NULL))移到程序启动时只执行一次。

2. 初始质心筛选逻辑的有效性 #

你加入了far(pixel, assigned)确保初始质心分散，但如果这个函数逻辑存在问题，会导致无法筛选出不同的质心：

• 比如距离阈值设置过大，图像中没有足够分散的像素，循环会反复选中同一个点；
• 或者far函数的距离计算错误（比如只比较单一通道、距离公式错误），导致判断失效，所有初始质心本质是同一个点，后续更新自然不会分散。

可以临时添加日志，输出初始化后的所有centers值，验证是否真的分散。

3. FUZZINESS参数与EPSILON的取值问题 #

Fuzzy C-means中FUZZINESS（即m值）必须大于1，通常取值在1.5~2.5之间。如果：

• FUZZINESS设置过大（比如m>10），pow(U[i][j], m)会快速趋近于0，此时你用EPSILON替代极小值，会导致所有聚类的权重都等于EPSILON，质心计算直接变成全局均值；
• EPSILON设置过大，同样会覆盖真实的权重差异，使得每个聚类的权重趋于一致。

检查你的FUZZINESS定义，确保其在合理区间，同时EPSILON应设为极小值（比如1e-8），避免干扰正常权重计算。

4. 质心更新的计算精度问题 #

如果你的vertex结构体中r/g/b/a是整数类型，而centers的成员也是整数，在赋值时会截断浮点数结果。不过这不会导致所有质心一致，除非计算结果本身就相同，但可以改为将centers的成员定义为double类型，避免精度损失影响后续迭代。

5. 遗漏隶属度更新步骤（关键！） #

Fuzzy C-means的完整流程是：

初始化隶属度矩阵 → 更新质心 → 更新隶属度矩阵 → 迭代直到收敛

你只展示了初始化隶属度和更新质心的代码，如果首次质心更新后就停止，或完全遗漏了根据距离更新隶属度的步骤，仅用随机初始化的隶属度计算质心，很大概率会得到相同的全局均值质心。

标准的隶属度更新公式应为：
对于每个样本i和聚类j：

// 假设distance(i,j)是样本i到聚类j的欧氏距离
double dist_ij = calculate_distance(vertices[i], centers[j]);
double sum = 0.0;
for (int k = 0; k < c; k++) {
    double dist_ik = calculate_distance(vertices[i], centers[k]);
    sum += pow(dist_ij / dist_ik, 2.0 / (FUZZINESS - 1.0));
}
U[i][j] = 1.0 / sum;

内容的提问来源于stack exchange，提问作者Albert4224