圖像處理-K-means聚類處理

1、基于K-means的彩色圖像聚類分割算法圖像分割技術(shù)是圖像分析和模式識別的重要內(nèi)容，近些年，圖像分割算法新思路如小波變換邊緣檢測、分形圖像分割、運(yùn)動一致性分割以及馬爾科夫、人工神經(jīng)網(wǎng)絡(luò)的分割技術(shù)相繼而生。其中灰度圖像處理的分割技術(shù)和方法相對較成熟，但相對于灰度圖，彩色圖包含了更多的信息，同時處理也變得更為復(fù)雜和耗時。隨著計(jì)算機(jī)技術(shù)的發(fā)展以及廉價(jià)設(shè)備性能的提高，彩色圖像處理技術(shù)日益廣泛。彩色圖像分割就是模擬人類視覺系統(tǒng)的特點(diǎn)，根據(jù)顏色差異、紋理特征等將圖像劃分為不同物理意義的連通區(qū)域。而聚類算法是發(fā)現(xiàn)事物自然分類的一種方法，屬于機(jī)器學(xué)習(xí)及模式識別的一個重要領(lǐng)域。聚類算法在灰度圖像的分割有著重要的

2、應(yīng)用，通過保持類內(nèi)最大的相似性及類間最大的距離，迭代優(yōu)化獲得最佳的圖像分割閾值。對于一副彩色圖像，可以利用聚類分析依據(jù)顏色視覺上的不同將其劃分為不同系列的具有相似部分的區(qū)域，即實(shí)現(xiàn)彩色圖像聚類分割算法。利用K-means聚類對彩色圖像進(jìn)行分割，通常使用的顏色空間有RGB顏色空間、HIS顏色空間、HSV顏色空間、XYZ顏色空間、Lab顏色空間等。其中RGB顏色空間可表示大部分顏色，但就其各個分量間關(guān)聯(lián)性過強(qiáng)，不宜直接用于圖像分割HIS、HSV顏色模型需要轉(zhuǎn)換顏色空間，空間轉(zhuǎn)換計(jì)算相對復(fù)雜，如果要得到好的分割結(jié)果需要處理色調(diào)和飽和度兩個分量；Lab顏色空間是基于XYZ顏色空間轉(zhuǎn)換而來的均勻顏色空間

3、，更符合人眼的視覺特性，從RGB空間到Lab空間的轉(zhuǎn)換需要XYZ顏色空間作為橋梁，即必須先將圖像由RGB顏色空間轉(zhuǎn)換到XYZ顏色空間，才能進(jìn)一步轉(zhuǎn)到Lab空間?？紤]圖像分割算法的準(zhǔn)確性，本文采取一種Lab顏色空間模型結(jié)合K-means算法實(shí)現(xiàn)彩色圖像的分割。1、顏色空間選取考慮CCD相機(jī)成像后輸出顏色特性，顏色空間的轉(zhuǎn)換關(guān)系如下,RGB顏色空間到XYZ顏色空間轉(zhuǎn)換關(guān)系：0.176970.490.310.20R0.180.810.01G(1)0.000.010.99BXYZ顏色空間到Lab顏色空間轉(zhuǎn)換關(guān)系：L=116f(Y)16X=500八嗣)小)(2)Zb=200/(r)/(1-192)其中f

4、(t)=77871+0.138t0.008856(3)0.008856(3)式中：R、G、B為RGB顏色空間下紅、綠、藍(lán)3個特征分量；X、Y、Z為3個假想原色；L、a、b為Lab顏色空間的亮度、紅色至綠色的范圍、藍(lán)色至黃色的范圍3個特征分量；t為函數(shù)變量。圖像轉(zhuǎn)換到Lab顏色空間后，即可進(jìn)行水果的目標(biāo)分割。2、K-means聚類算法分割K-means聚類算法以K為參數(shù)，把m個樣本分為K個不同的類并保證類內(nèi)最大的相似性及類間最大的距離。假設(shè)聚類中心為，則聚類的平均差乞可表示為:式中：%為第K個聚類的第i個樣本。通過迭代，使所有聚類的總誤差平方和為最小，即類內(nèi)最大的相似性及類間最大的距離。對于采集的水果圖像，通過計(jì)算每個像素點(diǎn)的L、a、b值，進(jìn)行K-means聚類。理想情況下，水果果實(shí)可以被聚為一類，而其余影響因素如樹葉、樹枝等可以被聚為K-1類。本文采用MATLAB進(jìn)行圖像聚類分割，樣本聚類采用歐氏距離，聚類準(zhǔn)則采用最小距離原則，分別處理了