K均值聚类是非监督学习,可以将图像分割成若干部分,方法是把具相似特征的数据点聚类或分组到一起。非监督学习的特点是,无需使用标签数据,算法会识别出多组数据的模式和相似之处。所以你可以给 k 均值任意一个无标签数据集,比如图像的像素值,然后让 k 均值将这个数据集分解成 k 簇,其中 k 是变量 ,你可以选择该变量的值。若我们设K为2,那么图像就会被分割成
两个颜色不同的部分,若为3,就被分成3个颜色不同的部分。
例如如下的彩虹的图片:
这张图很小, 只有 34 乘 34 像素 ,是彩虹的一部分,我要用 k 均值,根据颜色将这张图分为三簇,首先 我们知道这张图里的每个像素都有一个 RGB 值。
事实上 ,我们可以将各像素值当作 RGB 颜色空间的数据点绘制出来。
这些轴分别对应 R、G 和 B 的值,最高的位置对应的是白色,如果我让 k 均值将这些图像数据分成三簇,那么 k 均值就会观察这些像素值,随机猜测三个 RGB 点 ,将数据分成三簇,我们将这三个点称为中心点 A、B 和 C,然后 k 均值会进行赋值。
K-means聚类实现图片分割
最新推荐文章于 2021-11-26 10:30:25 发布
本文介绍了K-means聚类用于图像分割的方法,通过将图像的像素值视为RGB空间的数据点,利用非监督学习的K-means算法将图像分割成不同颜色的区域。通过设置K值,可以将图像分割成相应数量的色彩区域,通过不断的迭代和中心点更新,最终实现图像的自动分割。
摘要由CSDN通过智能技术生成