毕业设计 基于Kmeans的图像分割算法软件设计

0 简介

今天学长向大家分享一个毕业设计项目

毕业设计 基于Kmeans的图像分割算法软件设计

项目运行效果：

🧿 项目分享:见文末!

1 Kmeans聚类算法基本原理

K-Means算法的思想很简单，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。

以彩色图像为例：基于彩色图像的RGB三通道为xyz轴建立空间直角坐标系，那么一副图像上的每个像素点与该空间直角坐标系建立了一 一映射（双射）的关系。

从空间直角坐标系中随机取 k 个点，作为 k个簇的各自的中心。计算所有像素点到k个簇心的距离，并将所有像素点划分至与其距离最小的簇类。自此聚类完成。其中，距离定义为欧氏距离：

其中r，g，b分别表示红绿蓝三通道，r1，g1，b1为彩色图片中某像素点；r0，g0，b0表示某簇类的簇心。

2 基于Kmeans图像分割算法流程

Note：彩色图像的操作是基于一个三维空间
1、加载图像，获取图像的所有像素点并将其转换为样本数据。
2、开始迭代
a)、初始化簇心坐标。
a)、更新簇心坐标，遍历样本数据中的数据点并计算数据点与所有簇心的距离。对于某数据点计算得到的与所有簇类的欧氏距离中，取欧氏距离最小所对应的簇类作为该数据点对应的类。
c)、计算更新后的簇心坐标与更新前的簇心坐标的均方误差。若均方误差仍大于某阈值，则重复b)，反之结束迭代。
Kmeans的详细算法流程参考博文：
https://www.cnblogs.com/pinard/p/6164214.html
三、代码主函数部分
1、加载图片

​

Mat src, dst; src = imread("J20.jpg"); namedWindow("输入图像", WINDOW_AUTOSIZE); imshow("输入图像", src);

2、初始化颜色（图像分割后需要上色）

​

Scalar colorTab[] = { Scalar(0,0,255), Scalar(0,255,0), Scalar(255,0,0), Scalar(0,255,255), Scalar(255,0,255), };

3、初始化簇类数，并将所有的像素点全部转换为样本数据

​

int sampleCount = width*height; int clusterCount = 5; Mat points(sampleCount, dims, CV_32F, Scalar(10)); //将彩色图像的像素点转换为样本数据 int index = 0; for (int row = 0; row < height; row++) { for (int col = 0; col < width; col++) { index = row*width + col; Vec3b bgr = src.at<Vec3b>(row, col); points.at<float>(index, 0) = static_cast<int>(bgr[0]);//b points.at<float>(index, 1) = static_cast<int>(bgr[1]);//g points.at<float>(index, 2) = static_cast<int>(bgr[2]);//r } }

4、利用Kmeans算法对样本数据分类

​

centers, feature = Kmeans(points, clusterCount, sampleCount);

5、
显示图像分割后的结果

​

//显示图像分割结果 Mat result = Mat::zeros(src.size(), src.type()); int index1 = 0; for (int row = 0; row < height; row++) { for (int col = 0; col < width; col++) { index1 = row*width + col; int label = feature.at<float>(index1, 3); result.at<Vec3b>(row, col)[0] = colorTab[label][0]; result.at<Vec3b>(row, col)[1] = colorTab[label][1]; result.at<Vec3b>(row, col)[2] = colorTab[label][2]; } } imshow("基于Kmeans聚类的图像分割", result);

四、代码子函数部分
1、初始化聚类中心

​

//初始化簇心 Mat centers = Mat::zeros(clusterCount, 1, CV_32FC3);//4行3列 centers.at<float>(0, 0) = 150; centers.at<float>(0, 1) = 180; centers.at<float>(0, 2) = 200; centers.at<float>(1, 0) = 20; centers.at<float>(1, 1) = 25; centers.at<float>(1, 2) = 37; centers.at<float>(2, 0) = 80; centers.at<float>(2, 1) = 100; centers.at<float>(2, 2) = 140; centers.at<float>(3, 0) = 226; centers.at<float>(3, 1) = 234; centers.at<float>(3, 2) = 235;

2、利用Kmeans算法进行迭代

​

Mat feature = Mat::zeros(sampleCount, 1, CV_32FC4); float *distance = new float[sampleCount]; int epoch = 0; while (true) { for (int row = 0; row < points.rows; row++) { for (int i = 0; i < centers.rows; i++) { distance[i] = pow((points.at<float>(row, 0) - centers.at<float>(i, 0)), 2) + pow((points.at<float>(row, 1) - centers.at<float>(i, 1)), 2) + pow((points.at<float>(row, 2) - centers.at<float>(i, 2)), 2); } float min = distance[0]; int flag = 0; for (int i = 0; i < clusterCount; i++) { if (min > distance[i]) { min = distance[i]; flag = i; } } feature.at<float>(row, 0) = points.at<float>(row, 0); feature.at<float>(row, 1) = points.at<float>(row, 1); feature.at<float>(row, 2) = points.at<float>(row, 2); feature.at<float>(row, 3) = flag; } float new_center_r = 0, new_center_g = 0, new_center_b = 0; float *temp = new float[clusterCount]; for (int i = 0; i < clusterCount; i++) { int num = 0; float sum_center_r = 0, sum_center_g = 0, sum_center_b = 0; for (int row = 0; row < sampleCount; row++) { if (feature.at<float>(row, 3) == i) { sum_center_b = sum_center_b + feature.at<float>(row, 0); sum_center_g = sum_center_g + feature.at<float>(row, 1); sum_center_r = sum_center_r + feature.at<float>(row, 2); num++; } } new_center_b = sum_center_b / num; new_center_g = sum_center_g / num; new_center_r = sum_center_r / num; temp[i] = pow((new_center_b - centers.at<float>(i, 0)), 2) + pow((new_center_g - centers.at<float>(i, 1)), 2) + pow((new_center_r - centers.at<float>(i, 2)), 2); centers.at<float>(i, 0) = new_center_b; centers.at<float>(i, 1) = new_center_g; centers.at<float>(i, 2) = new_center_r; } float total = 0; float mean_square_error = 0; for (int i = 0; i < clusterCount; i++) { total = total + temp[i]; } mean_square_error = total / 4; if (epoch % 1 == 0) cout << "epoch：" << epoch << "\terror of mean square：" << mean_square_error << endl; if (mean_square_error < 0.01) break; epoch++; }

4 代码运行结果及评价

输入图片：

2、迭代过程

3、聚类结果

如上图，从左至右分别为Blue、Green、Red通道；从上之下分别是五个簇心的坐标（像素值）。

4、图像分割结果

如上图，图像被清晰的分为了五个部分：背景为蓝色、歼20的迷彩涂装分为了红黄两色，颜色最暗的地方为紫色，颜色次暗的地方为绿色。
另外，对于大数据，经典的Kmeans算法显然处理速度太慢，但对于彩色图像，使用经典Kmeans算法对其进行分割，其所耗时长在可接受的范围内。
至此完全实现了基于Kmeans聚类算法的图像分割，经验证，其结果与利用OpenCV提供的API得到的效果完全一致！

5 最后

项目运行效果：

🧿 项目分享:见文末!