K-means 可以用来帮助基于像素值的图像分离吗？

Posted 2023-03-12

【中文标题】K-means 可以用来帮助基于像素值的图像分离吗？

【英文标题】：Can K-means be used to help in pixel-value based separation of an image?

【发布时间】：2011-07-21 19:00:59

【问题描述】：

我正在尝试根据像素值分离灰度图像：假设一个 bin 中的像素从 0 到 60，另一个 bin 中的像素为 60-120，另一个中的像素为 120-180 ...，依此类推，直到 255。范围大致是在这种情况下是等距的。 但是，通过使用 K-means 聚类，是否有可能更实际地测量我的像素值范围应该是什么？试图一起获得相似的像素，而不是在像素浓度较低的地方浪费垃圾箱。

编辑（包括获得的结果）：

k-means with no of cluster = 5

【问题讨论】：

这听起来很像直方图均衡...fourier.eng.hmc.edu/e161/lectures/contrast_transform/node3.html

正如@Throwback1986 所说，它并不是那么相似。我不是试图均衡直方图，而是最有效地分割直方图。

【参考方案1】：

当然，K-Means 可以用于颜色量化。这非常方便。

我们看Mathematica中的一个例子：

我们从灰度 (150x150) 图像开始：

让我们看看用8位表示图像时有多少灰度：

ac = ImageData[ImageTake[i, All, All], "Byte"];
First@Dimensions@Tally@Flatten@ac
-> 234

好的。让我们减少这 234 个级别。我们的第一个尝试是让算法单独确定默认配置下有多少集群：

ic = ClusteringComponents[Image@ac];
First@Dimensions@Tally@Flatten@ic 
-> 3

它选择了3个簇，对应的图像是：

现在，是否可以，或者您需要更多集群，由您决定。

假设您决定需要更细粒度的分色。让我们要求 6 个集群而不是 3 个：

ic2 = ClusteringComponents[Image@ac, 6];
Image@ic2 // ImageAdjust  

结果：

这里是每个 bin 中使用的像素范围：

Table[Min@#, Max@# &@(Take[orig, #[[1]], #[[2]]] & /@ 
    Position[clus, n]), n, 1, 6]
-> 0, 11, 12, 30, 31, 52, 53, 85, 86, 134, 135, 241

以及每个bin中的像素数：

Table[Count[Flatten@clus, i], i, 6]
-> 8906, 4400, 4261, 2850, 1363, 720

所以，答案是肯定的，而且很简单。

编辑

也许这将帮助您了解您在新示例中做错了什么。

如果我对你的彩色图像进行聚类，并使用聚类数来表示亮度，我得到：

这是因为星团没有按亮度升序编号。

但是如果我计算每个簇的平均亮度值，并用它来表示簇值，我得到：

在我之前的示例中，这不是必需的，但这只是运气：D（即按亮度升序找到集群）

【讨论】：

感谢您的详细解释，了解了基本概念。不过，我将使用 OpenCV 和 VC++ 来做这件事——知道这有多简单吗？

@Aruni 我真的不知道，抱歉。请注意，我在一维色彩空间中进行了聚类，而不是在图像空间中。这意味着检测对象没有用，但会压缩和简化图像很多。如果您需要进行空间聚类，也许均值偏移也是一个不错的选择。

大声笑我刚刚在 OpenCV 中运行它。在了解文档和雅虎讨论组之后。工作正常。无论如何，谢谢。

@belisarius 已更新。有进一步的问题 - 比如为什么黑暗区域聚集成浅色调。但我猜这完全是另一个问题。

@Aruni 我很确定你走在正确的道路上，只有一个小小的误解会阻止你完成任务。您的图像的问题是您使用诸如“簇编号”之类的东西来表示灰度，而您应该使用诸如簇中像素的平均值之类的东西。等等……看来你也忘了在聚类之前转换成灰度！ HTH！

【参考方案2】：

k-means 可以应用于您的问题。如果是我，我会首先尝试从决策树中借鉴的基本方法（尽管“更简单”取决于您的精确聚类算法！）

假设存在一个 bin，开始将像素强度填充到 bin 中。当箱“足够满”时，计算箱（或节点）的均值和标准差。如果标准偏差大于某个阈值，则将节点分成两半。继续此过程，直到完成所有强度，您将获得更有效的直方图。

这个方法当然可以通过额外的细节来改进：

您可以考虑使用峰度作为分割标准。 偏度可用于确定分裂发生的位置 您可能会一直跨入决策树领域并借用 Jini 索引来指导拆分（一些拆分技术依赖于更“奇异”的统计数据，例如 t 检验）。 最后，您可以执行最后的合并过程以折叠任何稀疏的节点。

当然，如果您已经应用了上述所有“改进”，那么您基本上已经实现了 k-means 聚类算法的一种变体；-)

注意：我不同意上面的评论 - 你描述的问题似乎与直方图均衡化没有密切关系。

【讨论】：

真的，它不是直方图均衡化——它在 OpenCV 中有一个单行函数调用（当实际项目是从真正模糊的街景中提取文本时，我不会重新发明***）。