在图像处理中,通过K-Means聚类算法可以实现图像分割、图像聚类、图像识别等操作,本小节主要用来进行图像颜色分割。假设存在一张100×100像素的灰度图像,它由10000个RGB灰度级组成,我们通过K-Means可以将这些像素点聚类成K个簇,然后使用每个簇内的质心点来替换簇内所有的像素点,这样就能实现在不改变分辨率的情况下量化压...
二.K-Means聚类分割灰度图像 在图像处理中,通过K-Means聚类算法可以实现图像分割、图像聚类、图像识别等操作,本小节主要用来进行图像颜色分割。假设存在一张100×100像素的灰度图像,它由10000个RGB灰度级组成,我们通过K-Means可以将这些像素点聚类成K个簇,然后使用每个簇内的质心点来替换簇内所有的像素点,这样就能实现...
计算所有像素点到k个簇心的距离,并将所有像素点划分至与其距离最小的簇类。自此聚类完成。其中,距离定义为欧氏距离: 在这里插入图片描述 其中r,g,b分别表示红绿蓝三通道,r1,g1,b1为彩色图片中某像素点;r0,g0,b0表示某簇类的簇心。 2 基于Kmeans图像分割算法流程 Note:彩色图像的操作是基于一个三维空间 1...
当k小于真实聚类数时，由于k的增大会大幅增加每个簇的聚合程度，故Inertia的下降幅度会很大，而当k到达真实聚类数时，再增加k所得到的聚合程度回报会迅速变小，所以Inertia的下降幅度会骤减，然后随着k值的继续增大而趋于平缓，也就是说Inertia和k的关系图是一个手肘的形状，而这个肘部对应的k值就是数据的真实聚类数。
可以看出,并非K值越大,图像分割越好; 对于K-means的初始点不同聚类结果不同的缺陷改进,首先是可以用一些启发式的方式指定更好的初始质心。 选择适当的初始质心是基本kmeans算法的关键步骤。常见的方法是 1. 随机的选取初始质心,但是这样簇的质量常常很差。处理选取初始质心问题的一种常用技术是:多次运行,每次使用一...
二.K-Means聚类分割灰度图像 在图像处理中,通过K-Means聚类算法可以实现图像分割、图像聚类、图像识别等操作,本小节主要用来进行图像颜色分割。假设存在一张100×100像素的灰度图像,它由10000个RGB灰度级组成,我们通过K-Means可以将这些像素点聚类成K个簇,然后使用每个簇内的质心点来替换簇内所有的像素点,这样就能实现...
文章首发:xmoon.info 图像分割是将图片将相似的部分分割成相同的块 Gestalt理论 解释物体分割的底层原理 将同一个东西群组在一起,集合中的元素可以具有由关系产生的属性 Gestalt中常见的一些分组的情况 现实生活中的分组现象 将这种思想转化为算法 K-Means聚类 主要思想:
直方图法:对图像的颜色建立直方图,而直方图的波峰波谷能够表示一块区域的颜色值的范围,来达到分割的目的。 特定理论:基于聚类分析、小波变换等理论完成图像分割。 3. 实例描述 目标:利用K-means聚类算法对图像像素点颜色进行聚类。 输出:同一聚类中的点使用相同颜色标记,不同聚类颜色不同。
K-means属于硬聚类。 硬聚类指数据只能属于一个簇, 与软聚类:数据可以不同程度的属于多个类相反。 三、算法步骤 S1:选取初始质心: 从样本点中随机抽取K个点作为质心。 S2:所有样本点归类: 计算所有样本点到K个质心的距离,将其划分到与其距离最近的簇中心所在簇。
输出结果如图所示,左边为灰度图像,右边为K-Means聚类后的图像,它将灰度级聚集成四个层级,相似的颜色或区域聚集在一起。 三.K-Means聚类对比分割彩色图像 下面代码是对彩色图像进行颜色分割处理,它将彩色图像聚集成2类、4类和64类。 # coding: utf-8import cv2 ...