基于K-MEANS聚类的胡萝卜纯色背景去除方法

所谓的聚类是指，将一个数据集中的某些方面相似的数据成员进行分类的过程，聚类就是一种发现这种内在结构的技术，聚类技术经常被称为无监督学习。k均值聚类是最著名的划分聚类算法，由于简洁和效率使得他成为所有聚类算法中最广泛使用的。给定一个数据点集合和需要的聚类数目k，k由用户指定，k均值算法根据某个距离函数反复把数据分入k个聚类中。

1. k均值算法描述

先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是以下任何一个：

1)没有（或最小数目）对象被重新分配给不同的聚类。

2)没有（或最小数目）聚类中心再发生变化。

3)误差平方和局部最小。

 

而基于K均值的胡萝卜图像的分类，则是利用分类的思想，将目标区与背景区分成两类，所以，在此处将 K 的值，设置为 2；因为，是根据灰度值进行划分，则误差设置为1作为终止条件；

算法具体实现代码如下所示：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85

IplImage* img = cvCloneImage(m_sourceImage);          IplImage* grayImage = cvCreateImage(cvGetSize(img), IPL_DEPTH_8U, 1);          //IplImage* redImage = cvCreateImage(cvGetSize(img), IPL_DEPTH_8U, 1);            //cvSplit(img, NULL, NULL, redImage, NULL);            cvCvtColor(img, grayImage, CV_RGB2GRAY);          //IplImage* img = cvCreateImage(cvGetSize(m_sourceImage), IPL_DEPTH_8U, 1);          //cvCvtColor(m_sourceImage, img, CV_RGB2GRAY);          int  total = img->height*img->width;          int  cluster_num = 2;          CvMat *row = cvCreateMat(img->height, img->width, CV_32FC3);          //cvConvert(redImage, row);          cvConvert(img, row); //转一下类型!          CvMat *clusters = cvCreateMat(total, 1, CV_32SC1);   //      CvArr* cvReshapeMatND(const CvArr* arr, //          int sizeof_header, CvArr* header, //          int new_cn, int new_dims, int* new_sizes); // //      arr :输入数组 //      sizeof_header :输出头的大小，对于IplImage, CvMat 和 CvMatND 各种结构输出的头均是不同的. //      header:被添充的输出头. //      new_cn:新的通道数，如果new_cn = 0 则通道数保持原样 //      new_dims:新的维数.如果new_dims = 0 则维数保持原样。 //          new_sizes //          新的维大小.只有当 new_dims = 1值被使用，因为要保持数组的总数一致，因此如果 new_dims = 1, new_sizes 是不被使用的              cvReshape(row, row, 0, total);                       //把图像转成数据矩阵,但注意实际数据未变,只是访问顺序变了。          cvKMeans2(row, cluster_num, clusters, cvTermCriteria(CV_TERMCRIT_EPS + CV_TERMCRIT_ITER, 10, 1.0));          cvReshape(clusters, clusters, 0, img->width);         //聚类完的结果再reshape回来比较方便看~          int  i = 0, j = 0;          CvScalar s;          IplImage* resImg = cvCreateImage(cvSize(img->width, img->height), 8, 1); //生成用来显示结果的图像          s = cvGet2D(img, i, j);            vector < int > v1, v2;       //存放分类后的灰度值              for  (i = 0; i < img->height; i++)          {              for  (j = 0; j < img->width; j++)              {                  double  val = cvGetReal2D(grayImage, i, j);                    if  (clusters->data.i[i*img->width + j] == 0)                  {                      v1.push_back(val);               //处理完成后的图像的白色区域                      s.val[0] = 255;                      cvSet2D(resImg, i, j, s); //注意循环顺序                  }                  else                  {                      v2.push_back(val);               //处理完成后的图像的黑色区域                      s.val[0] = 0;                      cvSet2D(resImg, i, j, s);                  }              }          }            double  thresh1 = accumulate(v1.begin(), v1.end(), 0) / v1.size();          double  thresh2 = accumulate(v2.begin(), v2.end(), 0) / v2.size();            if  (thresh2 > thresh1)        //如果黑色区域的灰度值均值大于白色区域          {              cvNot(resImg, resImg);   //图像取反          }            IplConvKernel *element = cvCreateStructuringElementEx(5, 5, 2, 2, CV_SHAPE_ELLIPSE);          cvSmooth(resImg, resImg, CV_MEDIAN);          cvErode(resImg, resImg, element, 1);          cvDilate(resImg, resImg, element, 1);          cvReleaseStructuringElement(&element);            cvSaveImage( "s2.jpg" , m_sourceImage);          cvSaveImage( "b2.jpg" , resImg);            ShowImage(resImg, IDC_PIC2);            int  key = cvWaitKey(0);          cvReleaseImage(&img); //记得释放内存          cvReleaseImage(&resImg);          cvReleaseMat(&row);          cvReleaseMat(&clusters);

　　上述代码，对图像的处理结果进行了校正，因为，K-Mean聚类，只是简单的将目标区与背景区进行分类，而不能明确的标记出目标区还是背景区，所以，根据经验，将灰度值均值较大的部分作为目标区；

而灰度值较小的部分标记为背景区；

以下为未校正图像与校正后图像的对比：

如上图所示：左侧图像为未做校正的处理效果，右侧图像为校正后的图像；

由于此方法只是简单的根据图像的灰度值对图像进行二值化，所以，很难对复杂背景的图像进行分割；相关的算法，在以后的学习中再进行完善与补充。