【图像聚类】K-means算法图像聚类【含GUI Matlab源码 1787期】

⛄一、图像分割简介

0 引 言
图像分割技术是图像分析和模式识别的重要内容, 已广泛地应用于计算机视觉、目标跟踪、遥感图像、生物医学图像等领域, 至今仍是热门的研究课题之一。图像分割算法新思路新方法不断涌现, 例如:小波变换边缘检测, 分形图像分割, 运动一致性分割以及基于马尔科夫、人工神经网络的分割方法。灰度图像的分割技术和方法相对成熟, 相对于灰度图, 彩色图包含了更多的信息, 处理也就变得复杂而耗时。在过去对彩色图像的研究受限于计算机技术水平及硬件的价格。随着计算机技术的发展, 以及廉价设备性能的提高, 彩色图像处理技术日益广泛。彩色图像的分割是其中重要的一个方面。彩色图像分割就是模拟人类视觉系统的特点, 根据颜色、纹理等特征, 将图像划分成不同物理意义的连通区域。数据聚类是发现事物自然分类的一种方法, 也是机器学习和模式识别的一个重要研究领域。为此人们提出了许多种聚类算法如k-means[算法, 高斯最大期望算法, k-harrnonic算法[2]等等。聚类算法在灰度图像的分割中有着重要的应用, 聚类的思想使得类内保持最大的相似性, 类间保持最大的距离, 通过迭代优化获得最佳的图像分割阈值, 因此在自适应阈值选取中有着很高的应用价值。对于一幅彩色图像, 可以利用聚类的思想根据颜色视觉上的不同将其划分为一系列相似的部分, 即实现了彩色图像分割。

1 彩色图像聚类分割
利用k-means聚类对彩色图像进行分割, 通常使用的颜色空间有RGB颜色空间、HIS颜色空间、HSV颜色空间、Lab颜色空间等。各种颜色模型各有其特点。利用RGB空间不需要进行复杂的空间转换, 但是其要处理的数据维数是三维的, 在RGB空间中计算颜色的相似度, 迭代计算量相对大, 而且R、G、B的值存在很大的相关性, 往往得不到好的聚类分割效果。采用HIS、HLS、HSV颜色模型, 需要转