基于matlab的K-means聚类图像分割

2024-06-23 07:12

本文主要是介绍基于matlab的K-means聚类图像分割,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

1 原理

K-means聚类算法在图像分割中的应用是基于一种无监督的学习方法,它将图像中的像素点或特征区域划分为K个不同的簇或类别。以下是K-means聚类算法用于图像分割的原理,包括步骤和公式:

1.1 原理概述
  1. 选择簇的数量(K)
    • 首先,用户需要指定要将图像数据分成多少个簇(即K的值)。
  2. 初始化聚类中心
    • 随机选择K个像素点作为初始聚类中心。
  3. 分配数据点到最近的聚类中心
    • 对于图像中的每个像素点,计算其与每个聚类中心的距离(如欧氏距离),并将其分配给距离最近的聚类中心所在的簇。
  4. 更新聚类中心
    • 对于每个簇,计算该簇中所有像素点的平均值(或质心),并将这个平均值作为新的聚类中心。
  5. 重复迭代
    • 重复步骤3和步骤4,直到聚类中心不再发生显著变化或达到预定的迭代次数。
1.2 公式表示
  • 距离计算(以欧氏距离为例):

        设x_i为图像中的一个像素点(或特征向量),\mu_j为第j个聚类中心,则像素点x_i到聚类中心\mu_j的欧氏距离计算公式为:

d(x_i, \mu_j) = \sqrt{\sum_{d=1}{D} (x_i{(d)} - \mu_j{(d)})2}

其中,D是像素点或特征向量的维度。

  • 聚类中心的更新
    • 对于每个簇C_k,其新的聚类中心\mu_k'计算公式为:

\mu_k' = \frac{1}{|C_k|} \sum_{x_i \in C_k} x_i

  • 其中,|C_k|是簇C_k中像素点的数量。
1.3 步骤总结
  1. 初始化:选择K个初始聚类中心。
  2. 分配:计算每个像素点到聚类中心的距离,并将其分配给最近的聚类中心。
  3. 更新:重新计算每个簇的聚类中心。
  4. 迭代:重复步骤2和步骤3,直到聚类中心不再变化或达到预设的迭代次数。
1.4 注意事项
  • K-means算法对初始聚类中心的选择敏感,因此可能多次运行算法并选择最佳结果。
  • SSE(Sum of Squared Errors)是衡量聚类效果的一个指标,其值越小表示聚类结果越紧密。
  • 图像分割中的K-means算法通常是在图像的特征空间(如颜色空间、纹理空间等)上进行的,而不是直接在像素值上进行。这有助于提高算法的鲁棒性和效率。

2 代码

%% 基于聚类的分割 (使用K-means聚类)
figure('Position', [100 100 1200 400]);
% 读取图像并转换为双精度  
I3 = imread('test.jpg');
I3 = rgb2gray(I3);  
subplot(1,3,1);imshow(I3);
title('origin Image');
% 读取图像并转换为双精度  
I4 = imread('test.jpg'); 
I_double = im2double(I4);  
% 将图像数据重塑为二维数组,其中每一列是一个像素  
data = reshape(I_double, [], 3);  
% 使用K-means聚类  
[cluster_idx, cluster_center] = kmeans(data, 3); % 假设我们想要3个聚类  
% 将聚类结果重塑为图像大小  
segmented_image = reshape(cluster_idx, size(I4, 1), size(I4, 2));  
% 显示结果(可能需要为每个聚类分配一个颜色)  
segmented_image_colored = label2rgb(segmented_image, 'jet', 'k', 'shuffle'); subplot(1,3,2);imshow(segmented_image_colored); 
title('three colors Image using K-means Clustering');
% 读取图像并转换为灰度  
I5 = imread('test.jpg');  
I_gray = rgb2gray(I5);  
I_double = im2double(I_gray);  % 将图像数据重塑为二维数组  
data = I_double(:);  % 使用两个中心的K-means聚类  
[cluster_idx, cluster_center] = kmeans(data, 2);  % 将聚类结果重塑为图像大小  
segmented_image = reshape(cluster_idx, size(I_gray));  % 为每个聚类分配一个颜色(在这种情况下,0为黑色,1为白色)  
segmented_image_bw = ind2rgb(segmented_image, [0 0 0; 1 1 1]);  % 显示结果   
subplot(1,3,3);imshow(segmented_image_bw);  
title('Black and White Image using K-means Clustering');

3 运行结果

图1 图像分割对比图

这篇关于基于matlab的K-means聚类图像分割的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1086479

相关文章

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个

matlab读取NC文件(含group)

matlab读取NC文件(含group): NC文件数据结构: 代码: % 打开 NetCDF 文件filename = 'your_file.nc'; % 替换为你的文件名% 使用 netcdf.open 函数打开文件ncid = netcdf.open(filename, 'NC_NOWRITE');% 查看文件中的组% 假设我们想读取名为 "group1" 的组groupName

利用matlab bar函数绘制较为复杂的柱状图,并在图中进行适当标注

示例代码和结果如下:小疑问:如何自动选择合适的坐标位置对柱状图的数值大小进行标注?😂 clear; close all;x = 1:3;aa=[28.6321521955954 26.2453660695847 21.69102348512086.93747104431360 6.25442246899816 3.342835958564245.51365061796319 4.87

Spark MLlib模型训练—聚类算法 PIC(Power Iteration Clustering)

Spark MLlib模型训练—聚类算法 PIC(Power Iteration Clustering) Power Iteration Clustering (PIC) 是一种基于图的聚类算法,用于在大规模数据集上进行高效的社区检测。PIC 算法的核心思想是通过迭代图的幂运算来发现数据中的潜在簇。该算法适用于处理大规模图数据,特别是在社交网络分析、推荐系统和生物信息学等领域具有广泛应用。Spa

C# double[] 和Matlab数组MWArray[]转换

C# double[] 转换成MWArray[], 直接赋值就行             MWNumericArray[] ma = new MWNumericArray[4];             double[] dT = new double[] { 0 };             double[] dT1 = new double[] { 0,2 };

SAM2POINT:以zero-shot且快速的方式将任何 3D 视频分割为视频

摘要 我们介绍 SAM2POINT,这是一种采用 Segment Anything Model 2 (SAM 2) 进行零样本和快速 3D 分割的初步探索。 SAM2POINT 将任何 3D 数据解释为一系列多向视频,并利用 SAM 2 进行 3D 空间分割,无需进一步训练或 2D-3D 投影。 我们的框架支持各种提示类型,包括 3D 点、框和掩模,并且可以泛化到不同的场景,例如 3D 对象、室

Verybot之OpenCV应用一:安装与图像采集测试

在Verybot上安装OpenCV是很简单的,只需要执行:         sudo apt-get update         sudo apt-get install libopencv-dev         sudo apt-get install python-opencv         下面就对安装好的OpenCV进行一下测试,编写一个通过USB摄像头采

用Pytho解决分类问题_DBSCAN聚类算法模板

一:DBSCAN聚类算法的介绍 DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一种基于密度的聚类算法,DBSCAN算法的核心思想是将具有足够高密度的区域划分为簇,并能够在具有噪声的空间数据库中发现任意形状的簇。 DBSCAN算法的主要特点包括: 1. 基于密度的聚类:DBSCAN算法通过识别被低密

libsvm在matlab中的使用方法

原文地址:libsvm在matlab中的使用方法 作者: lwenqu_8lbsk 前段时间,gyp326曾在论坛里问libsvm如何在matlab中使用,我还奇怪,认为libsvm是C的程序,应该不能。没想到今天又有人问道,难道matlab真的能运行libsvm。我到官方网站看了下,原来,真的提供了matlab的使用接口。 接口下载在: http://www.csie.ntu.edu.