C# GDAL 数字图像处理Part12 Kmeans分类

        近一个月不见，光忙着上课、作报告、回家、结课了，下午才结束数字图像处理的视频报告，可以作更新了。

        其实分类之前应该还有个迭代阈值分割的内容，不过这个内容比较简单，还不知道要不要讲，所以打算先讲Kmeans分类。

1.Kmeans

        其实在网上能搜到好多资料，这里直接结合代码和大家讲得更细一点。

        首先，熟悉给定的几个变量：

System.Drawing.Bitmap old_bitmap  //输入的需要分类的BMP图像

int cluster_count  //分类的类数

double stop_rate  //停止分类的变化率

int maxIter   //最大分类迭代次数

        在这里我们使用的是像素的RGB作为分类标准，在C#中一个像素也就是一个Color类，所以我们的任务就是对BMP里的所有像素，也就是所有Color进行分类。进行分类之前，我们需要一定数量的聚类中心，这些聚类中心的类型也是Color。先来初始化这些聚类中心：

            Random rd = new Random();
            Color[] cluster_center = new Color[cluster_count]; //聚类中心数组

            for(int i = 0;i<cluster_count;i++)//随机初始化
            {
                cluster_center[i] = new Color(System.Drawing.Color.FromArgb(rd.Next(0, 255), rd.Next(0, 255), rd.Next(0, 255)));
            }

        对我们的聚类中心数组cluster_center进行了初始化获得了指定数量的初始聚类中心Color。

        那么接下来，我们需要计算，聚类中心和单个像素之间的距离，也就是两个Color之间的距离。我采用的是欧氏距离，函数如下：

        static public double Dis_between_color(System.Drawing.Color c1, System.Drawing.Color c2)
        {
            double trt_dis = (c1.R - c2.R) * (c1.R - c2.R) + (c1.G - c2.G) * (c1.G - c2.G) + (c1.B - c2.B) * (c1.B - c2.B);
            return Math.Pow(trt_dis, 1.0 / 3.0);
        }

        那么，我们就可以遍历bmp上每一个像素，计算它到每一个聚类中心的距离，然后找出最小的距离，把这个像素分到这一类中。(由于我自己没手敲Kmeans，这里就不放代码给大家了)

        这里有一个问题，就是我们知道该像素属于某一类之后，我们要怎么去存储这个类别信息。其实很简单，给大家作个图：

         假设我们有左边这么一张BMP图，那么我们就创建一个相同形状的int型二维矩阵如右图示。遍历bmp每个像素，讲像素归属的类放到这个二维矩阵中，如：

         这样的设计就可通过一组坐标分别访问像素的Color值与类别了。

        经过遍历，可以得到每个像素的类别，获得这个类别矩阵，那接下来就是更新聚类中心了。更新聚类中心需要计算每一类的均值，那我们就可以定义一个 cluster_count行3列 的double数组，来存储新聚类中心的值。

        遍历每一个像素，访问它的类别并将 该像素的RGB值 累加 在 刚刚定义的数组的对应行 中，在遍历完成后，再把 该数组的每一个数 除以 该类的像素个数 即可得到平均值 用作新的聚类中心了。

        在满足循环条件下不停循环即可。

        最后会得到一个分类矩阵，对于不同的类用不同的颜色显示，输出新的bitmap即可。

        这篇代码少了很多，因为我自己也没手打Kmeans。