基於K-means聚類算法的MATLAB圖像分割

K-means算法首先從數據樣本中選取K個點作為初始聚類中心;其次計算各個樣本到聚類的距離，把樣本歸到離它最近的那個聚類中心所在的類:然後計算新形成的每個聚類的數據對象的平均值來得到新的聚類中心;最後重複以上步驟，直到相鄰兩次的聚類中心沒有任何變化，說明樣本調整結束，聚類準則函數達到最優。

在計算數據樣本之間的距離時，可以根據實際需要選擇某種距離作為樣本的相似性度量，距離越小，樣本越相似，差異越小；距離越大，樣本越不相似，差異越大。K-means算法在每次迭代中都要考察每個樣本的分類是否正確，若不正確，則需要調整。K-means聚類算法簡捷，具有很強的搜索力，適合處理數據量大的情況，在數據挖掘和圖像處理領域中得到了廣泛的應用。採用K-means進行圖像分割，將圖像的每個像素點的灰度或者RGB作為樣本(特徵向量)，因此整個圖像構成了一個樣本集合(特徵向量空間)，從而把圖像分割任務轉換為對數據集合的聚類任務。然後，在此特徵空間中運用K-means聚類算法進行圖像區域分割，最後抽取圖像區域的特徵。

% 1.計算樣本之間距離function D=sampledist(X,C,method)[n,p]=size(X);k=size(C,1);D=zeros(n,k);switch lower(method(1))    case 'e' %euclidean即歐氏距離        for i=1:k            D(:,i)=(X(:,1)-C(i,1)).^2;            for j=2:p                D(:,i)=D(:,i)+(X(:,j)-C(i,j)).^2;            end        end    case 'c' %cityblock即城市距離        for i=1:k            D(:,i)=abs(X(:,1)-C(i,1));            for j=2:p                D(:,i)=D(:,i)+abs(X(:,j)-C(i,j));            end        end        end
%2.提取特徵向量function vec=extractvecotr(img)[m,n,~]=size(img);vec=zeros(m*n,3);img=double(img); for j=1:n    for i=1:m        %提取顏色特徵        color=img(i,j,:);        %提取距離特徵        wx=1;wy=1;        dist=[wx*j/n,wy*i/m];        dist=[];        %提取紋理特徵        texture=[];        %組成特徵向量        vec((j-1)*m+i,:)=[color(:);dist(:);texture(:)];    endend
%3.搜索樣本空間初始聚類中心function C=searchintial(X,method,varargin)    switch lower (method(1))        case 's'            k=varargin{1};            C=X(randsample(size(X,1),k),:);        case 'u'            Xmins=min(X,[],1);            Xmaxs=max(X,[],1);            k=varargin{1};            C=unifrnd(Xmins(ones(k,1),:),Xmaxs(ones(k,1),:));    end
%4.圖像聚類分割function [F,C]=imkmeans(I,C)if isempty(C)    k=2;    C=[];elseif isscalar(C)    k=C;    C=[];else    k=size(C,1);endX=exactvecotr(I);if isempty(C)    C=searchintial(X,'sample',k);endCprev=rand(size(C));while true     D=sampledist(X,C,'euclidean');    [~,locs]=min(D,[],2);    for i=1:k        C(i,:)=mean(X(locs==i,:),1);    end    if norm(C(:)-Cprev(:))<eps        break    end    Cprev=C;end
    [m,n,~]=size(I);    F=reshape(locs,[m,n]);
需要調用的函數編輯好之後就可以讀取圖像進行調試和使用。
clcclose allI=imread('IMG1.jpg');I=double(I)/255;subplot(2,3,1),imshow(I),title('原始圖像') for i=2:6F=imkmeans(I,i);subplot(2,3,i);imshow(F,[]);title(['聚類個數=',num2str(i)])end
經過2-6個聚類個數分割的結果如圖所示，不同的圖像可以根據情況調整聚類個數以便於達到理想效果。
以上就是今天介紹的基於K-means聚類算法的MATLAB圖像分割，有需要的朋友們可以自己動手嘗試，歡迎大家分享到朋友圈，讓更多有需要的朋友看到！也歡迎更多MATLAB愛好者和使用者前來交流！
參考資料：
[1]陳剛、魏晗、高毫林.MATLAB在數字圖像處理中的應用
[2]楊文茵、徐麗新.MATLAB R2016a數字圖像處理算法分析與實現
圖片來源：由作者拍攝