为什么在图像处理中使用 k-means 聚类？答案

【问题标题】：Why k-means clustering is used in image processing?为什么在图像处理中使用 k-means 聚类？
【发布时间】：2016-10-09 18:58:04
【问题描述】：

为什么使用它，因为我们可以通过像素强度值简单地分割图像组件？就像我想提取一个女孩的皮肤和她的头发一样，我可以简单地在像素强度值上执行此操作，而不是使用复杂的 k-means 算法。

【问题讨论】：

当您事先不知道皮肤和头发的强度时，不要这样做！ K-means 会为您选择它们（前提是它们覆盖了图像上足够大的区域）。
为什么那些对一个完全合理的问题投反对票？
@YvesDaoust 因为你可以简单地用谷歌 k-means 图像处理来找到大量的答案和例子？这个问题基本上是说：我懒得花 10 分钟阅读，请其他人花 15 分钟把它归结为一个不错的答案吗？
@Piglet：也许吧。问题不是“一个人如何计算 K-means”，而更多的是“我不明白什么是什么”，谷歌搜索对此无济于事。我一直认为反对票是不正当的。无论如何，当我看到 OP 接受的答案（绝对不是关于自动阈值计算）时，我想知道他是否理解了自己的问题。
@YvesDaoust 我接受了，因为我想赢得声誉和道德，否则我的导师帮助我真正理解了我的问题。谢谢

标签： image-processing machine-learning

【解决方案1】：

细分并不简单。聚类比手动阈值更容易、更健壮。

让我们用 Matlab 来看看：

感兴趣的区域是黄色花瓣。让我们将 rgb-image 分成三个不同的平面：

lily = imread('yellowlily.jpg')

redplane = lily(:,:,1);
greenplane = lily(:,:,2);
blueplane = lily(:,:;3);

imshow(greenplane); colormap(jet); imcontrast;

查看绿色平面：

所以黄色实际上比绿色更“绿色”？哦哦。好吧，没关系，让我们结合阈值。黄色在红色平面和绿色平面中很强烈，因此有两个阈值可以找到它。绿色在绿色中很强，另一方面，背景是黑色的，并且在所有这些中都具有很高的价值。所以黄色的两个阈值，一个绿色但不是黑色或黄色的阈值，所以绿色的三个比较......？直到灯光稍微改变并完全破坏我们的手动阈值。

或者我们可以尝试聚类：

redIndices = redPlane(:);
greenIndices = greenPlane(:);
blueIndices = bluePlane(:);

Data = [redIndices, blueIndices, greenIndices];
clusterIdx = kmeans(Data,3);    

ClusterImage = zeros(size(RedPlane));
ClusterImage(:) = clusterIdx;

差不多了。我们得到了黄色花瓣，绿色失败了，黑色需要一些形态的爱。只有一个参数，集群的数量。也许将高斯混合模型作为软 K 均值？

要考虑的另一点是重叠颜色，例如黄色花瓣底部附近的绿色。您正在分割头发的女孩可能正站在一些树皮相同棕色的树附近。您可以将图像中的距离添加为数据的一维，例如我之前提到的 GMM。色彩空间和图像中的距离概念可以是一个强大而强大的分割工具，这是手动阈值永远无法做到的。

【讨论】：