基于K-means聚类算法的图像分割

---

---

前言

图像分割就是把图像分成各具特性的区域并提取人们感兴趣的目标的技术和过程，是目标检测和模式识别的基础。现有的图像分割方法主要有基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法、基于特定理论的分割方法等。
聚类分析是一种无监督的学习方法，能够从研究对象的特征数据中发现关联规则，因而是一种强大有力的信息处理方法。以聚类法进行图像分割就是将图像空间中的像素点用对应的特征向量表示，根据它们在特征空间的特征相似性对特征空间进行分割，然后将其映射回原图像空间，得到分割结果。其中，K-means 均值和模糊 C 均值聚类（FCM）算法是最常用的聚类算法。

---

一、理论基础

1.K-means 聚类算法的原理

K-means 算法首先从数据样本中选取 K 个点作为初始聚类中心；其次计算各个样本到聚类的距离，把样本归到离它最近的那个聚类中心所在的类；然后计算新形成的每个聚类的数据对象的平均值来得到新的聚类中心；最后重复以上步骤，直到相邻两次的聚类中心没有任何变化，
说明样本调整结束，聚类准则函数达到最优。如图 22-1 所示为 K-means 聚类算法的流程图。