【图像聚类】K-means算法图像聚类【含GUI Matlab源码 1787期】

💥💥💥💥💥💥💥💥💞💞💞💞💞💞💞💞💞Matlab武动乾坤博客之家💞💞💞💞💞💞💞💞💞💥💥💥💥💥💥💥💥
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚤🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

🔊博主简介：985研究生，Matlab领域科研开发者；

🚅座右铭：行百里者，半于九十。

🏆代码获取方式：
优快云 Matlab武动乾坤—代码获取方式

更多Matlab图像处理仿真内容点击👇
①Matlab图像处理（进阶版）

⛳️关注优快云 Matlab武动乾坤，更多资源等你来！！

⛄一、图像分割简介

0 引 言
图像分割技术是图像分析和模式识别的重要内容, 已广泛地应用于计算机视觉、目标跟踪、遥感图像、生物医学图像等领域, 至今仍是热门的研究课题之一。图像分割算法新思路新方法不断涌现, 例如:小波变换边缘检测, 分形图像分割, 运动一致性分割以及基于马尔科夫、人工神经网络的分割方法。灰度图像的分割技术和方法相对成熟, 相对于灰度图, 彩色图包含了更多的信息, 处理也就变得复杂而耗时。在过去对彩色图像的研究受限于计算机技术水平及硬件的价格。随着计算机技术的发展, 以及廉价设备性能的提高, 彩色图像处理技术日益广泛。彩色图像的分割是其中重要的一个方面。彩色图像分割就是模拟人类视觉系统的特点, 根据颜色、纹理等特征, 将图像划分成不同物理意义的连通区域。数据聚类是发现事物自然分类的一种方法, 也是机器学习和模式识别的一个重要研究领域。为此人们提出了许多种聚类算法如k-means[算法, 高斯最大期望算法, k-harrnonic算法[2]等等。聚类算法在灰度图像的分割中有着重要的应用, 聚类的思想使得类内保持最大的相似性, 类间保持最大的距离, 通过迭代优化获得最佳的图像分割阈值, 因此在自适应阈值选取中有着很高的应用价值。对于一幅彩色图像, 可以利用聚类的思想根据颜色视觉上的不同将其划分为一系列相似的部分, 即实现了彩色图像分割。

1 彩色图像聚类分割
利用k-means聚类对彩色图像进行分割, 通常使用的颜色空间有RGB颜色空间、HIS颜色空间、HSV颜色空间、Lab颜色空间等。各种颜色模型各有其特点。利用RGB空间不需要进行复杂的空间转换, 但是其要处理的数据维数是三维的, 在RGB空间中计算颜色的相似度, 迭代计算量相对大, 而且R、G、B的值存在很大的相关性, 往往得不到好的聚类分割效果。采用HIS、HLS、HSV颜色模型, 需要转换颜色空间, 空间转换计算相对复杂, 如果得到好的分割结果要处理色调和饱和度两个分量。Lab空间也是彩色图像聚类中常采用的颜色模型, Lab颜色空间是均匀颜色空间, 更符合人眼的视觉特性, 但是其转换更为复杂, 必须先由RGB空间转换到XYZ空间, 然后再转换到Lab空间, 而且还要考虑a, b两个通道。相对于以上提到的颜色模型, 本文利用一种CBH颜色空间模型结合k-means算法实现彩色图像的分割, 这种方法只需处理一维数据。

2 k-means聚类算法
k-均值聚类算法由Mac Queen于1967年提出, 是聚类分析中一种基本的划分方法, 其理论上可靠、算法简单、收敛速度快、并具有很强的局部搜索力, 能有效地处理大数据集。它的缺点是对初始值聚类中心有很强的敏感性, 易陷入局部最优, 即从不同的初始聚类中心出发会得到不同的聚类结果。

算法描述:给定类的个数k, 将N个对象分到k个类中去, 使得类内对象之间的相似性最大, 类之间的相似性最小。

算法的基本步骤:

a) 输入:聚类数目k, 以及N个待处理数据组成的样本集{Z}。

b) 随机选取k个值作为聚类中心, 初始化聚类中心Z1 (1) , Z2 (1) …Zk (1) 。

c) 在第k次迭代中, 对于 i=1, 2, …k, i≠j.如果|Z−Zj(k)|＜|Z−Zi(k)|, 则Z∈Sj (k) 。

d) 计算新的聚类中心Zj(k+1)=1Nj∑Z∈Sj(k)Z‚Nj为Sj (k) 中的样本数, j=1, 2, …k。

e) 对所有的j=1, 2, …k 如果 Zj (k+1) =Zj (k) , 则终止, 否则转到c) 。

⛄二、部分源代码

function varargout = kmeans4gui(varargin)
% KMEANS4GUI M-file for kmeans4gui.fig
% KMEANS4GUI, by itself, creates a new KMEANS4GUI or raises the existing
% singleton*.
%
% H = KMEANS4GUI returns the handle to a new KMEANS4GUI or the handle to
% the existing singleton*.
%
% KMEANS4GUI(‘CALLBACK’,hObject,eventData,handles,…) calls the local
% function named CALLBACK in KMEANS4GUI.M with the given input arguments.
%
% KMEANS4GUI(‘Property’,‘Value’,…) creates a new KMEANS4GUI or raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before kmeans4gui_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to kmeans4gui_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE’s Tools menu. Choose “GUI allows only one
% instance to run (singleton)”.
%
% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help kmeans4gui

% Last Modified by GUIDE v2.5 05-Mar-2021 20:27:27

% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @kmeans4gui_OpeningFcn, …
‘gui_OutputFcn’, @kmeans4gui_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT

% — Executes just before kmeans4gui is made visible.
function kmeans4gui_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to kmeans4gui (see VARARGIN)

% Choose default command line output for kmeans4gui
handles.output = hObject;

% Update handles structure
guidata(hObject, handles);

% UIWAIT makes kmeans4gui wait for user response (see UIRESUME)
% uiwait(handles.figure1);

% — Outputs from this function are returned to the command line.
function varargout = kmeans4gui_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure
varargout{1} = handles.output;

function edit1_Callback(hObject, eventdata, handles)
% hObject handle to edit1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,‘String’) returns contents of edit1 as text
% str2double(get(hObject,‘String’)) returns contents of edit1 as a double

% — Executes during object creation, after setting all properties.
function edit1_CreateFcn(hObject, eventdata, handles)
% hObject handle to edit1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called

% Hint: edit controls usually have a white background on Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,‘BackgroundColor’), get(0,‘defaultUicontrolBackgroundColor’))
set(hObject,‘BackgroundColor’,‘white’);
end

function edit2_Callback(hObject, eventdata, handles)
% hObject handle to edit2 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,‘String’) returns contents of edit2 as text
% str2double(get(hObject,‘String’)) returns contents of edit2 as a double

% — Executes during object creation, after setting all properties.
function edit2_CreateFcn(hObject, eventdata, handles)
% hObject handle to edit2 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called

% Hint: edit controls usually have a white background on Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,‘BackgroundColor’), get(0,‘defaultUicontrolBackgroundColor’))
set(hObject,‘BackgroundColor’,‘white’);
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]郭庆锐,许建龙,孙树森,何云.基于颜色重心和k-means的彩色图像聚类分割算法[J].浙江理工大学学报. 2010,27(04)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合