image-processing - 为什么在图像处理中使用 k 均值聚类？

Question

为什么要使用它，因为我们可以简单地通过像素强度值分割图像分量？就像如果我想提取女孩的皮肤和头发一样，我可以简单地根据像素强度值来执行此操作，而不是使用复杂的 k 均值算法。

Answer 1

分割并不简单。聚类比手动阈值更容易、更稳健。

让我们使用 Matlab 来看看:

感兴趣的区域是黄色花瓣。让我们将 RGB 图像分为三个不同的平面:

lily = imread('yellowlily.jpg')

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

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

查看绿色平面:

那么黄色实际上比绿色更“绿”？呃哦。好吧，不管怎样，我们只要结合阈值就可以了。黄色在红色平面和绿色平面中很强，因此需要两个阈值才能找到它。绿色中的绿色较强，而背景中的黑色则具有较高的值(value)。那么黄色有两个阈值，绿色有一个阈值，但不是黑色或黄色，所以绿色有三个比较..？直到光线发生一点变化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;

快到了。我们得到了黄色的花瓣，绿色的花瓣失败了，黑色的需要一些形态上的爱。只有一个参数，簇的数量。也许高斯混合模型作为软 K 均值？

还要考虑的一点是重叠的颜色，例如黄色花瓣底部附近的绿色。你正在分割头发的女孩可能站在一些树皮上有同样棕色的树附近。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成为一种强大且稳健的分割工具，这是手动阈值永远无法做到的。