聚类算法之K-means算法（以处理matlab下灰度图大米为例）

本文链接：https://blog.youkuaiyun.com/vainfanfan/article/details/78311106

本文通过实例介绍了如何利用K-means算法在Matlab中对灰度图像rice.png进行聚类分析，以确定图像阈值。详细步骤包括图像读取、矩阵转换、初始化聚类中心、迭代更新直至中心点稳定，最后计算阈值并进行二值化处理。实验证明，当中心点差值最小值设定不同，阈值会有所变化，与greythresh函数得到的阈值相近。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最近学习了机器学习好多传统算法，自己体会还是要自己动手实践一下才能更好的消化掉。

以Matlab自带的灰度图像rice.png为例，使用K-means算法进行聚类，求取阈值。

K-Means是基于划分的聚类算法，属于比较基本的聚类算法。

1、主要步骤

K-means算法（以划分大米灰度图像为例）

1、读取图像，获取灰度值二维矩阵m*n

2、转换矩阵，将二维矩阵转换成一维矩阵1*（m*n）

3、对一维矩阵取两个中心值，作为K-means算法的初始聚类点

4、对中心值进行聚类分析，遍历一维数组中每一个点，计算与中心点的距离，划分各个点

5、对于聚类后的两类，重新计算中心点，重复步骤4，直到两个中心点不再改变（或者新旧距离浮动在2以内）。

6、根据两个中心点求平均值，确定图像阈值

7、对于阈值左右的点进行划分（小于阈值的点灰度标0，大于的点灰度标255）

2、代码实现

clear all;
rice=imread('rice.png');

[m,n]=size(rice);
global new_rice,global class1,global class2;%class表示两个聚类
k=1;
for j=1:1:n
    for i=1:1:m
        new_rice(k)=rice(i,j);
        k=k+1;
    end
end

%对所有灰度值进行排序
sort_rice=sort(new_rice);

%对直方图挑选两个中心点
[p,xout]=hist(double(rice),2);
xout1=xout(1,1);
xout2=xout(2,1);
min=3;
j=1;
new_xout1(j)=xout1;
new_xout2