matlab对图像进行均值滤波_用K均值进行图像分割

个人学习笔记：采用聚类方法对图像进行分割，以下内容纯粹个人理解，如有错误请帮我指出！多谢！

图像分割就是把图像按照某些条件分成不同的区域，并提取出感兴趣的区域。传统的分割方法包括基于阈值的分割、基于区域的分割、基于边缘的分割等。当然，本次笔记写的是采用K均值聚类实现图像分割。（代码在文章结尾）

一、理论分析

K均值是一种比较常用的聚类算法，由于并不是本次笔记的重点，因此只进行算法的流程简单记录如下：

1、选取K个样本作为聚类中心

2、计算各个样本到聚类中心的距离

3、更新均值向量，重复以上步骤

分割算法核心：对图像的像素进行聚类，相似RGB值的像素被聚到一起，就形成了K个区域！

问题的核心在于如何使用K均值对图像的像素进行聚类，自己整理了以下的几个问题：

1、 K均值使用什么做样本？

K均值聚类就是把图像的像素点按照“值的接近程度”进行聚类，那么就会给每个像素点打标签（把每个位置R、G、B值看作是一个样本，R、G、B就是三个特征），有多少像素值（R、G、B算一个像素值）就有多少个样本。

2、 K均值得到的标签含义是什么？

K均值得到的结果标签就是width*height个0,1,2这种值，因为图像提供的样本数就是width*height个，也就是对每个位置的像素点打标签。含义就是亮度接近的像素标签值相同。

3、K均值聚类以后如何得到新的聚类图像

像素点的标签值表示它属于哪个类，后续使用标签值作为亮度值。如果是聚类结果为3， 那么标签值就有0,1,2三个，标签的shape是width*height，那么就是用0,1,2填充一张np.zeros(width, height)图像，就得到了最后的聚类结果。

标签值相同的位置因此也就亮度相同，得到的聚类图像仅仅包含k个亮度种类，比如K=3，那么聚类图像就只有三种亮度值

实现代码里面未解决的Bug：因为标签值0,1，2代表的仅仅是三个不同区域，但是没办反设定哪个区域是2（最亮的区域），也就是最后合成的图像哪个区域亮没办反控制（比如人脸区域应该更亮），只能多运行几次程序。

二：代码实现

算法流程分为以下四步：

1、读取图片

2、将图片像素转为样本形式

3、对样本进行聚类

4、创建空白图像

5、使用聚类结果对空白图像进行填充

6、保存聚类得到的标签图

步骤1和2：

# 1:read image
    

上述代码块的#1负责读取图片，#2负责把（w，h，3）的图像转为（w*h，3）的数据，每行就是一个样本，每个样本包含R、G、B三个特征值。

步骤3：

    # 3: cluster, I thought: give every pixel (that in orignal image)
    #    a label , so the label have same shape as image(gray)
    cls = KMeans(n_clusters=k_cluster).fit_predict(data)
    cls = cls.reshape(image.shape[0], image.shape[1])

聚类就是对上述的像素值进行聚类

步骤4：

    # 4: create a image container
    container = np.zeros(shape=(image.shape[0], image.shape[1]))

创建的像素值全为0的空白图像，用于存储聚类标签。

步骤5：

    # 5: use cluster labels as "gray value" 
    #    and  fill it into aimage container
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            # cls[i, j]*30 ,because label value is 0, 1, 2
            # the bright difference betwwen labels is to small
            container[i, j] = cls[i, j]*60

将聚类标签值cls[i, j]乘以60作为亮度值（乘以70或者任何值都行，只要保证K*任何值不超过255）

步骤6：

    # 6: saver the cluster image
    container = container.astype(np.uint8) 
    imageio.imsave(save_name, container)

保存的时候一定要转换为uint8编码

完整的代码如下：

import numpy as np
import imageio
from sklearn.cluster import KMeans

def image_cluster(image_name, save_name, k_cluster=3):
    """
    cluster by KMeans for RGB image
    """
    
    # 1:read image
    image = imageio.imread(image_name)

    # 2: convert (w, h, 3) into (w*h, 3)
    # R,G and B combine as 3 features 
    # data will be a 2D matrix, each row have 3 values(R/G/B),
    # and each column has width*height values
    # this operation convert 3D to 2D, like reshape 
    image2matrix = []
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            r_v, g_v, b_v = image[i, j]
            image2matrix.append([r_v/255.0, g_v/255.0, b_v/255.0])
    data = np.mat(image2matrix)

    # 3: cluster, I thought: give every pixel (that in orignal image)
    #    a label , so the label have same shape as image(gray)
    cls = KMeans(n_clusters=k_cluster).fit_predict(data)
    cls = cls.reshape(image.shape[0], image.shape[1])
    
    # 4: create a image container
    container = np.zeros(shape=(image.shape[0], image.shape[1]))

    # 5: use cluster labels as "gray value" 
    #    and  fill it into aimage container
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            # cls[i, j]*30 ,because label value is 0, 1, 2
            # the bright difference betwwen labels is to small
            container[i, j] = cls[i, j]*60

    # 6: saver the cluster image
    container = container.astype(np.uint8) 
    imageio.imsave(save_name, container)
    
    return True

image_cluster("data/vivian.jpg", "results/cluster.jpg")

对标题上费雯丽的照片进行聚类结果如下：

个人认为：K如果选择为2，那么图片视觉上看就应该包含“2种”明显不同的区域；K如果选择为3，那么图片中就应该包含3种明显不同的区域。