K-means图像分割学习记录

一幅多通道图像（RGB，多光谱等）本质是一个三维张量A。A的三个维度是高度(H)，宽度(W)，通道数(B)，可看做B个二维矩阵的集合，每个矩阵是某一个通道（波段）下的灰度图。

实现思路

假设将图像分为k个类别，设置迭代次数为iteration次。主要分为以下四个步骤：

1.统计图像信息

记录图像张量的三个大小参数（HWB），图像中像素点的个数。

2.初始化类别中心

随机在图像中找到k个点作为初始“簇中心”，将每个中心的各个波段数值（DN值）储存在矩阵center中。
矩阵每一行代表了一个簇中心，不同列是各个通道的DN值。

3.计算距离、分类

这里使用欧式距离。对每一个像素点，都应计算其与k个簇中心的欧氏距离，即两者各个波段下DN值之差的平方和（再开根号）。对于每个点，会计算出k个欧氏距离，找出距离最小的那一类，将该点归入其中。
注意这项操作计算的是像素点在光谱空间的距离。这里生成一个W*H的矩阵，按顺序存放每个像素点归属的类别，以便最后可视化。

4.更新簇中心

按上述方法遍历整幅图像后，每一类别下都有了若干个像素点。我们计算每一类下所有点在光谱空间中的平均位置（DN值的平均）。最终每一类可求出一个光谱空间的平均位置点（B维向量），我们将其作为新的簇中心，更新center矩阵。

循环执行步骤3和4，直到达到某一阈值或标准，结束循环。

MATLAB代码

程序运行速度比较慢，900*800的彩色图像，分为5类循环6次，跑了10分钟才完成？

function imkmeans (k，iteration)
A = double(imread('G:\'));
%统计图像信息
[H,W,B] = size(A);
num = H*W;
%初始化类别中心
centerid = zeros(k,2);center = zeros(k,B);
for i = 1:k
    centerid(i,:) = [randi(H,1),randi(W,1)];
end
for i = 1:k
    for j = 1:B
        center(i,j) = A(centerid(i,1) , centerid(i,2) , j);
    end
end
%分类(计算距离),d是kk*1的向量.kk=k
class = zeros(H,W);
while iter < iteration
    cst = zeros(k,num,B);
    for i = 1:H
        for j = 1:W
            d = zeros(k,1);
            for kk = 1:k
                for h = 1:B
                    d(kk) = d(kk) + (A(i,j,h) - center(kk,h))^2;
                end
            end
            classid = find(d == min(d),1);
            class(i,j) = classid;
            c = 1;
            while cst(classid,c,1) ~= 0
                c = c + 1;
            end
            cst(classid,c,:) = A(i,j,:);
        end
    end
    %利用上面的cst矩阵计算各类别的光谱空间平均坐标。
    for i = 1:k
        for j = 1:B
            center(i,B) = sum(cst(i,:,j)) / sum(cst(i,:,j)~=0);
        end
    end
    iter = iter+1;
end
figure
imagesc(class)

使用4个波段，对TM数据进行分类的结果：

参考链接: https://www.cnblogs.com/lliuye/p/9144312.html