本文深入探讨了K-means算法的基本原理及其在图像分割领域的应用。通过对算法核心步骤的解析，揭示了如何通过最小化特定目标函数来实现数据点的有效聚类。着重介绍了算法在图像处理中的具体实现过程，包括初始化聚类中心的方法及其对最终结果的影响。同时，文章指出在实际应用中，考虑到像素值的多维性和复杂性，K-means算法的效果可能受到限制，因此提出了一些建议和改进措施，以提高算法在图像分割任务上的表现。
Kmeans算法的基本思想是初始随机给定K个簇中心，按照最邻近原则把待分类样本点分到各个簇。然后通过计算各个簇中数据点的平均值，更新簇中心，迭代至满足收敛条件。
Kmeans的目标函数：（这里以欧式距离作为衡量近邻标准进行分析）
其中，N是数据数目，C是划分簇的数目，rc 是一个0 1变量，当数据点xn被归类到c簇时为1，否则为0。
Kmeans 算法就是最小化这个目标函数，可采取迭代的方法：先固定uc，选择最优的簇，即将数据归类到离它最近的中心；下一步固定簇，选取最优的uc。这里可通过M对uc求导求得最优值，如步骤（2）公式所示，也就是对应簇中数据的平均值。
kmeans算法可分为两步骤进行：
（1） 根据C个簇的uc将每个数据点归类到离它最近的簇；
（2） 计算每个簇新的中心点。
不断迭代这两个步骤，直至每个簇的中心不再变化或者变化很小。
*备注：*uc的初始化问题。Matlab默认的是随机从样本中抽取C个数据点，并另外提供了三种方法，包括均匀抽取；抽取10%的子样本先使用聚类进行uc估计；构建C*P矩阵（P指样本数据的维度）。
（最近在研究图像分割，今天把Kmeans翻出来，实现的效果不是很好，基于像素值考虑的东西可能不全面，还在继续探索）
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
