K均值、均值漂移和归一化分割研究（Matlab代码实现）

最新推荐文章于 2024-09-13 23:32:49 发布

Ps.729

最新推荐文章于 2024-09-13 23:32:49 发布

阅读量622

点赞数 22

文章标签：前端

本文链接：https://blog.csdn.net/weixin_67304359/article/details/140045985

版权

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

⛳️赠与读者

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

K均值，均值漂移和归一化切割分割。该代码实现了“k均值”、“均值漂移”和“归一化切割”分割之间的比较
测试方法有：
仅使用（颜色）的K均值分割
使用（颜色+空间）的K均值分割
仅使用（颜色）的均值漂移分割
使用（颜色+空间）的均值漂移分割
归一化切割（固有使用空间数据）
k均值参数是“K”，即聚类数
均值漂移参数是“bw”，即均值漂移带宽
归一化切割参数是“SI”颜色相似度，“SX”空间相似度，“r”空间阈值（距离小于r个像素）， “sNcut”保留分区的最小Ncut值（阈值），以及“sArea”被接受为一个段的最小区域大小（阈值）

仅采用颜色特征的K-均值聚类分割方法：在此方法中，图像中的像素仅依据其颜色信息被分配到K个预定义的类别中，K作为算法的关键参数代表期望找到的聚类数目。

结合颜色与空间信息的K-均值聚类分割技术：这种方法不仅考虑像素的颜色属性，还纳入了像素间的空间关系，通过整合颜色和空间信息来优化聚类过程，同样以预设的聚类数量K作为指导参数。

单独基于颜色特征的均值漂移分割策略：利用均值漂移算法，此策略侧重于颜色特征，允许数据点逐渐向高密度区域迁移，其关键参数为带宽(bw)，决定了搜索邻域的大小，从而影响聚类的细腻程度和边界界定。

融合颜色与空间维度的均值漂移分割方案：在均值漂移的基础之上，额外融入空间坐标信息，增强了对复杂图像结构的理解能力，bw参数依然控制着聚类过程中的邻域范围，确保算法能有效应对颜色相近但空间上分离的对象。

归一化割（NormCut）方法：自然融入空间数据的高级分割技术：归一化割算法不仅考虑色彩相似度（SI）和空间相似度（SX），还设置了空间阈值(r)来界定相邻像素间的最大可接受距离，确保形成的区域具有实际意义。此外，通过引入“sNcut”参数作为保留分区的最小Ncut值阈值，以及“sArea”作为段的最小区域大小阈值，来进一步优化分割结果，排除微小或不连贯的分割区域，保证了输出的高质量和稳定性。这一系列参数的精细调控，让归一化割成为处理包含复杂空间结构图像的理想工具。

📚2 运行结果

部分代码：

% Teste methods are:
% Kmeans segmentation using (color) only
% Kmeans segmentation using (color + spatial)
% Mean Shift segmentation using (color) only
% Mean Shift segmentation using (color + spatial)
% Normalized Cut (inherently uses spatial data)

%% clear command windows
clc
clear all
close all
%% input
I = imread('1.jpg'); % Original: also test 2.jpg
%% parameters
% kmeans parameter
K = 8; % Cluster Numbers
% meanshift parameter
bw = 0.2; % Mean Shift Bandwidth
% ncut parameters
SI = 5; % Color similarity
SX = 6; % Spatial similarity
r = 1.5; % Spatial threshold (less than r pixels apart)
sNcut = 0.21; % The smallest Ncut value (threshold) to keep partitioning
sArea = 80; % The smallest size of area (threshold) to be accepted as a segment
%% compare
Ikm = Km(I,K); % Kmeans (color)
Ikm2 = Km2(I,K); % Kmeans (color + spatial)
[Ims, Nms] = Ms(I,bw); % Mean Shift (color)
[Ims2, Nms2] = Ms2(I,bw); % Mean Shift (color + spatial)
[Inc, Nnc] = Nc(I,SI,SX,r,sNcut,sArea); % Normalized Cut
%% show
figure()
subplot(231); imshow(I); title('Original');
subplot(232); imshow(Ikm); title(['Kmeans',' : ',num2str(K)]);
subplot(233); imshow(Ikm2); title(['Kmeans+Spatial',' : ',num2str(K)]);
subplot(234); imshow(Ims); title(['MeanShift',' : ',num2str(Nms)]);
subplot(235); imshow(Ims2); title(['MeanShift+Spatial',' : ',num2str(Nms2)]);
subplot(236); imshow(Inc); title(['NormalizedCut',' : ',num2str(Nnc)]);