第 22 章 基于 K-means 聚类算法的图像区域分割---matlab深度学习实战

第 22 章 基于 K-means 聚类算法的图像区域分割
算法流程简要如图所示

K-means聚类算法

K-means聚类算法简捷，具有很强的搜索力，适合处理数据量大的情况，在数据挖掘
和图像处理领域中得到了广泛的应用。采用K-means进行图像分割，将图像的每个像素点的灰度或者RGB作为样本(特征向量)，因此整个图像构成了一个样本集合(特征向量空间)，从而把图像分割任务转换为对数据集合的聚类任务。然后，在此特征空间中运用K-means聚类算法进行图像区域分割，最后抽取图像区域的特征。
参考来源:
https://view.inews.qq.com/a/20210721A01UU700
需要调用的函数编辑好之后就可以读取图像进行调试和使用。
经过2-6个聚类个数分割的结果。不同的图像可以根据情况调整聚类个数以便于达到理想效果。方法相对简单。
升级版训练：https://blog.csdn.net/jun_hun_/article/details/104817913
主程序如下：
main.m

clc
close all
I=imread('football.jpg');
I=double(I)/255;
subplot(2,3,1)
imshow(I)
title('原始图像')
for i=2:6
    F=imkmeans(I,i);
    subplot(2,3,i);
    imshow(F,[]);
    title(['聚类个数=',num2str(i)])
end

程序目录

聚类中心搜索函数
searchcenter.m

function [center]=searchcenter(X,kratio)
[n,~]=size(X);
isleft=true(n,1);
count=zeros(n,1);
center=[];
kind=0;
dist=0;
for i=1:n
    for j=i+1:n
        dist=dist+weightdist(X(i,:),X(j,:));
    end
end
dist=dist/((n-1)*(n-1)/2);
radius1=dist*kratio(1);
radius2=dist*kratio(2);
while any(isleft)
    for i=1:n
        count(i)=0;
        if isleft(i)       
            for j=1:n
                if isleft(j)
                    dist=weightdist(X(i,:),X(j,:));
                    count(i)=count(i) + dist<=radius1;
                end
            end
        end
    end
    [~,locs]=max(count);
    iscenter=true;
    for i=1:kind
        dist=weightdist(X(locs,:),center(i,:));
        iscenter=iscenter && dist>=radius2;
        if ~iscenter
            break;
        end
    end
    if iscenter
        kind=kind+1;
        center(end+1,:)=X(locs,:);
        for i=1:n
            if isleft(i)
                dist=weightdist(X(i,:),X(locs,:));
                if  dist <= radius1
                    isleft(i)=false;    
                end
            end        
        end        
    else
        isleft(locs)=false;
    end
end

处理函数

function [F,C]=imkmeans(I,C)
if nargin~=2
    error('IMKMEANS:InputParamterNotRight','只能有两个输入参数！');
end
if isempty(C)
    K=2;
    C=[];
elseif isscalar(C)
    K=C;
    C=[];
else
    K=size(C,1);
end
X=exactvecotr(I);
if isempty(C)
    C=searchintial(X,'sample',K);
end
Cprev=rand(size(C));
while true
    D=sampledist(X,C,'euclidean');
    [~,locs]=min(D,[],2);
    for i=1:K
        C(i,:)=mean(X(locs==i,:),1);
    end
    if norm(C(:)-Cprev(:))<eps
        break
    end
    Cprev=C;
end
[m,n,~]=size(I);
F=reshape(locs,[m,n]);

处理效果：读者也可自行调参哦



本文配套代码下载链接–>传送门