- 上一篇：智能手机中的即时通协议研究
- 下一篇：基于矩阵低秩分解的图像标注增强问题研究
在第三章中，本文介绍了动态K均值聚类分割算法。动态K均值聚类分割算法是根据直方图波峰，把图像动态的分割成K个聚类，K的值与图像直方图的波峰个数相同。
最后，在第4节，本文介绍一个自行设计的后期滤波算法，配合这个算法，对初步分割结果进行迭代滤波，可以得到较为理想的分割效果。
2 K均值聚类分割算法文献综述
在K均值聚类算法中，我们把图像分割成K个集合，K是预先知道的一个常数。这种方法是基于识别每个K聚类的矩心。因此，不是在所有聚类的所有模式之间成对的计算距离，可以只计算从矩心的距离。那么这种方法根本归结为寻找聚类的最优K矩心集，步骤如下。[3]
步骤1：选择K初始的聚类中心 。
步骤2：分配每个模式 到聚类 ，它的矩心到模式X最近。
步骤3：重算每个聚类 的矩心，这里可以任意增加或者删除模式点（本文将固定模式点不增加也不删除）。
步骤4：转到步骤2，直到达到收敛。
主要问题是初始聚类配置的选择。可以选择第一个k样本作为最初的聚类中心，或者任意从模式池中选择K样本作为聚类中心。但是在K聚类中的粗糙分割可以产生更好地初始聚类中心集。
在我的程序中，K的值定为3，而矩心则暂时用平均灰度值。上文提到过，对于K均值聚类算法，初始样本的选择关系重大，考虑到分割质量的稳定性，本文没有采用随机法来得到初始样本，而是考虑使用直方图来获得初始样本。
2. 1 基于直方图的采样
2.1.1 直方图简介
直方图就是灰度级的函数，他表示图像中具有每种灰度级的像素的个数，反映图像中每种灰度出现的频率。由于频率是浮点数，其与频数之间只是相差一个归一化常数，所以图像编程中直方图就是灰度级出想的频数，是个整数。源:自~751·论`文'网·www.751com.cn/
直方图在图像处理中有着广泛的应用，从图像增强中的直方图的均衡化、规定化，到图像分割中基于直方图的阈值选取，到图像检索中的图像相似度测量。从编程的观点看，直方图是一种很有效的数据结构，所占内存空间很少，又能反映出图像中的灰度分布和目标特性等等，且直方图本身就是有序的。基于直方图可以很容易、很高效的得到图像中亮度、对比度、最大亮度、最小亮度及亮度中值。
2.1.2 从直方图中获取样本
考虑到我们采用的矩心是区域平均值，本文使用众数作为初始样本值。虽然说在数理统计中，算术平均值、中位数、众数这三个总体中心估计量之间并没有什么联系，但是在一些情况下，他们还是比较接近的甚至是相等的（例如当分布图像比较对称的时候）。相对使用随机值作为样本而言，使用众数作为样本更加科学，而且得到的结果也更加稳定。