K-means可以用來幫助基於像素值的圖像分離嗎？

Question

我試圖根據像素值分隔greylevel圖像：假設像素從0到60在一個箱，60-120在另一個，120-180 ...等等直到255。範圍大致等於空間在這種情況下。 但是，通過使用K-means聚類，可以更準確地測量我的像素值範圍應該是什麼？試圖獲得相似的像素在一起，而不是浪費像素濃度較低的區域。

EDITS（包括所獲得的結果）：

k均值沒有簇的= 5

Answer 1

當然K-Means可以用於顏色量化。這非常方便。

讓我們看看在Mathematica一個例子：

我們先從灰度（150×150）圖像：

讓我們來看看代表在8位圖像時多少灰度級有：

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

好的。讓我們減少這234個級別。我們的第一次嘗試將獨自讓算法來確定有多少羣是有默認配置：

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

它選擇3個集羣，以及相應的圖像是：

現在，如果沒關係，或者你需要更多的羣集，取決於你。

假設您決定需要更細粒度的分色。讓我們索要6個集羣，而不是3：

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

結果：

，這裏是每個箱中使用的像素範圍：

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}} 

和像素數在每個箱中：

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

所以，答案是肯定的，而且很簡單。

編輯

也許這將幫助你瞭解你在你的新的例子做錯了什麼。

如果我clusterize您的彩色圖像，並使用羣集數來表示的亮度，我得到：

這是因爲簇不被按升序亮度順序編號。

但如果我計算每個分類中的平均亮度值，並用它來表示簇的價值，我得到：

在我前面的例子，這是不需要的，但是這是隻是運氣：D（即集羣被發現亮度升序）

Answer 2

k均值可以被應用到您的問題。如果是我，我首先會嘗試從決策樹中借用的基本方法（雖然「更簡單」取決於您的精確聚類算法！）

假設存在一個bin，開始將像素強度填充到bin中。當垃圾箱「足夠」時，計算垃圾箱（或節點）的平均值和標準偏差。如果標準偏差大於某個閾值，則將節點分成兩半。繼續這個過程，直到所有的強度都完成了，你將會得到更有效的直方圖。

這種方法可以用，當然更多的細節進行改進：

1. 您可以考慮使用峯度作爲分裂準則。
2. 其中發生分裂
3. 你可能會一路越境進入決策樹的土地和借用Jini的指標來指導分裂（有的拆分技術依賴於更多的「異國情調」的統計數據，比如T字偏態可能會被用來確定測試）。
4. 最後，您可以執行最終合併階段來合併任何稀疏填充的節點。

當然，如果您已經應用了所有的上述「改善」，那麼你已經基本落實的K-均值聚類算法;-)

注意一個變化：我不同意以上評論 - 你所描述的問題沒有出現密切相關的直方圖均衡。