基于K-MEANS聚类的胡萝卜纯色背景去除方法
2015-01-17 16:22
369 查看
所谓的聚类是指,将一个数据集中的某些方面相似的数据成员进行分类的过程,聚类就是一种发现这种内在结构的技术,聚类技术经常被称为无监督学习。k均值聚类是最著名的划分聚类算法,由于简洁和效率使得他成为所有聚类算法中最广泛使用的。给定一个数据点集合和需要的聚类数目k,k由用户指定,k均值算法根据某个距离函数反复把数据分入k个聚类中。
k均值算法描述
先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了,每个聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是以下任何一个:
1)没有(或最小数目)对象被重新分配给不同的聚类。
2)没有(或最小数目)聚类中心再发生变化。
3)误差平方和局部最小。
而基于K均值的胡萝卜图像的分类,则是利用分类的思想,将目标区与背景区分成两类,所以,在此处将 K 的值,设置为 2;因为,是根据灰度值进行划分,则误差设置为1作为终止条件;
算法具体实现代码如下所示:
上述代码,对图像的处理结果进行了校正,因为,K-Mean聚类,只是简单的将目标区与背景区进行分类,而不能明确的标记出目标区还是背景区,所以,根据经验,将灰度值均值较大的部分作为目标区;
而灰度值较小的部分标记为背景区;
以下为未校正图像与校正后图像的对比:
如上图所示:左侧图像为未做校正的处理效果,右侧图像为校正后的图像;
由于此方法只是简单的根据图像的灰度值对图像进行二值化,所以,很难对复杂背景的图像进行分割;相关的算法,在以后的学习中再进行完善与补充。
k均值算法描述
先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了,每个聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是以下任何一个:
1)没有(或最小数目)对象被重新分配给不同的聚类。
2)没有(或最小数目)聚类中心再发生变化。
3)误差平方和局部最小。
而基于K均值的胡萝卜图像的分类,则是利用分类的思想,将目标区与背景区分成两类,所以,在此处将 K 的值,设置为 2;因为,是根据灰度值进行划分,则误差设置为1作为终止条件;
算法具体实现代码如下所示:
而灰度值较小的部分标记为背景区;
以下为未校正图像与校正后图像的对比:
如上图所示:左侧图像为未做校正的处理效果,右侧图像为校正后的图像;
由于此方法只是简单的根据图像的灰度值对图像进行二值化,所以,很难对复杂背景的图像进行分割;相关的算法,在以后的学习中再进行完善与补充。
相关文章推荐
- 基于K-MEANS聚类的胡萝卜纯色背景去除方法
- 基于色度和亮度的背景建模及阴影去除方法—看到一篇文献的总结
- 基于距离的聚类方法--K-means
- 基于最小二乘法的平面拟合,背景去除
- OpenCV背景去除的几种方法
- android ListView常见问题解决方法(滚动背景变黑,去除滑动时阴影,拖动时Item图片不显示)
- 基于K-Means的文本聚类
- 按钮的背景图片变换。。。。(button移动到上面的时候是手型,几个去除链接/按钮虚线框的方法 )
- [置顶] 基于最大最小距离的分类数目上限K确定的聚类方法
- 基于jQuery IE6下PNG图片背景透明问题解决方法
- OpenCV背景去除的几种方法
- 基于谱聚类的图像分割方法简介
- 基于OPENCV的背景减除方法
- 基于CIELab空间色彩K-means聚类彩色图像分割
- 去除新浪博客文字白色背景巧妙方法
- 使用achartengine绘图引擎,去除图标后面的黑色背景的方法
- OpenCV背景去除的几种方法
- 基于最小二乘法的平面拟合,背景去除
- k-means & isodata 聚类方法
- OpenCV背景去除的几种方法