K-means可以用来帮助基于像素值的图像分离吗？

Question

我正在尝试根据像素值分离greylevel图像：假设一个bin中0到60的像素，另一个bin中的60-120，120-180 ......依此类推255.范围粗略在这种情况下是等间隔的。  但是，通过使用K-means聚类，可以更准确地衡量我的像素值范围应该是多少？试图获得相似的像素，而不是浪费在存在较低像素浓度的区域。

编辑（包括获得的结果）：

k-means，没有cluster = 5

Answer 1

当然K-Means可用于颜色量化。它非常方便。

让我们看一下Mathematica中的示例：

我们从灰度（150x150）图像开始：

让我们看看用8位表示图像时有多少灰度级：

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

确定。让我们减少234个等级。我们的第一个尝试是让算法单独确定默认配置中有多少个集群：

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

选择3个聚类，相应的图像为：

现在，如果可以，或者您需要更多群集，那么由您决定。

假设您认为需要更精细的颜色分离。我们要求6个集群而不是3个集群：

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

结果：

以下是每个bin中使用的像素范围：

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}}

和每个bin中的像素数：

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

所以，答案是肯定的，而且很简单。

修改

也许这会帮助您了解新示例中的错误。

如果我将您的彩色图像聚类，并使用簇编号来表示亮度，我会得到：

这是因为群集没有以递增的亮度顺序编号。

但是，如果我计算每个群集的平均亮度值，并用它来表示群集值，我得到：

在我之前的例子中，这不是必需的，但那只是运气：D（即群集按照亮度升序排列）

Answer 2

k-means可以应用于您的问题。如果是我，我会首先尝试从决策树借来的基本方法（虽然“更简单”取决于你的精确聚类算法！）

假设存在一个bin，开始将像素强度填充到bin中。当bin“足够”时，计算bin（或节点）的平均值和标准差。如果标准偏差大于某个阈值，则将节点分成两半。继续此过程，直到完成所有强度，您将获得更有效的直方图。

当然，可以通过其他细节改进此方法：

1. 你可以考虑使用峰度作为分裂标准。
2. 可能会使用偏斜来确定分割发生的位置
3. 您可能会一直跨越决策树并借用Jini指数来指导分裂（某些分裂技术依赖于更多“异国情调”统计数据，如t检验。）
4. 最后，您可以执行最终合并传递以折叠任何稀疏填充的节点。

当然，如果您已经应用了上述所有“改进”，那么您基本上实现了k-means聚类算法的一种变体; - ）

注意：我不同意上面的评论 - 您描述的问题似乎与直方图均衡无关。