我想做社区团购怎么做_软件开发公司专业的有哪些_惠州seo招聘_网游推广员

0 简介

今天学长向大家分享一个毕业设计项目

毕业设计 基于Kmeans的图像分割算法软件设计

项目运行效果：

🧿 项目分享:见文末!

1 Kmeans聚类算法基本原理

K-Means算法的思想很简单，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。

以彩色图像为例：基于彩色图像的RGB三通道为xyz轴建立空间直角坐标系，那么一副图像上的每个像素点与该空间直角坐标系建立了一 一映射（双射）的关系。

从空间直角坐标系中随机取 k 个点，作为 k个簇的各自的中心。计算所有像素点到k个簇心的距离，并将所有像素点划分至与其距离最小的簇类。自此聚类完成。其中，距离定义为欧氏距离：

其中r，g，b分别表示红绿蓝三通道，r1，g1，b1为彩色图片中某像素点；r0，g0，b0表示某簇类的簇心。

2 基于Kmeans图像分割算法流程

Note：彩色图像的操作是基于一个三维空间
1、加载图像，获取图像的所有像素点并将其转换为样本数据。
2、开始迭代
a)、初始化簇心坐标。
a)、更新簇心坐标，遍历样本数据中的数据点并计算数据点与所有簇心的距离。对于某数据点计算得到的与所有簇类的欧氏距离中，取欧氏距离最小所对应的簇类作为该数据点对应的类。
c)、计算更新后的簇心坐标与更新前的簇心坐标的均方误差。若均方误差仍大于某阈值，则重复b)，反之结束迭代。
Kmeans的详细算法流程参考博文：
https://www.cnblogs.com/pinard/p/6164214.html
三、代码主函数部分
1、加载图片

​

	Mat src, dst;src = imread("J20.jpg");namedWindow("输入图像", WINDOW_AUTOSIZE);imshow("输入图像", src);

2、初始化颜色（图像分割后需要上色）

​

	Scalar colorTab[] = {Scalar(0,0,255),Scalar(0,255,0),Scalar(255,0,0),Scalar(0,255,255),Scalar(255,0,255),};

3、初始化簇类数，并将所有的像素点全部转换为样本数据

​

	int sampleCount = width*height;int clusterCount = 5;Mat points(sampleCount, dims, CV_32F, Scalar(10));//将彩色图像的像素点转换为样本数据int index = 0;for (int row = 0; row < height; row++){for (int col = 0; col < width; col++){index = row*width + col;Vec3b bgr = src.at<Vec3b>(row, col);points.at<float>(index, 0) = static_cast<int>(bgr[0]);//bpoints.at<float>(index, 1) = static_cast<int>(bgr[1]);//gpoints.at<float>(index, 2) = static_cast<int>(bgr[2]);//r}}

4、利用Kmeans算法对样本数据分类

​

	centers, feature = Kmeans(points, clusterCount, sampleCount);

5、
显示图像分割后的结果

​

	//显示图像分割结果Mat result = Mat::zeros(src.size(), src.type());int index1 = 0;for (int row = 0; row < height; row++){for (int col = 0; col < width; col++){index1 = row*width + col;int label = feature.at<float>(index1, 3);result.at<Vec3b>(row, col)[0] = colorTab[label][0];result.at<Vec3b>(row, col)[1] = colorTab[label][1];result.at<Vec3b>(row, col)[2] = colorTab[label][2];}}imshow("基于Kmeans聚类的图像分割", result);

四、代码子函数部分
1、初始化聚类中心

​

	//初始化簇心Mat centers = Mat::zeros(clusterCount, 1, CV_32FC3);//4行3列centers.at<float>(0, 0) = 150;centers.at<float>(0, 1) = 180;centers.at<float>(0, 2) = 200;centers.at<float>(1, 0) = 20;centers.at<float>(1, 1) = 25;centers.at<float>(1, 2) = 37;centers.at<float>(2, 0) = 80;centers.at<float>(2, 1) = 100;centers.at<float>(2, 2) = 140;centers.at<float>(3, 0) = 226;centers.at<float>(3, 1) = 234;centers.at<float>(3, 2) = 235;

2、利用Kmeans算法进行迭代

​

	Mat feature = Mat::zeros(sampleCount, 1, CV_32FC4);float *distance = new float[sampleCount];int epoch = 0;while (true){for (int row = 0; row < points.rows; row++){for (int i = 0; i < centers.rows; i++){distance[i] = pow((points.at<float>(row, 0) - centers.at<float>(i, 0)), 2) + pow((points.at<float>(row, 1) - centers.at<float>(i, 1)), 2)+ pow((points.at<float>(row, 2) - centers.at<float>(i, 2)), 2);}float min = distance[0];int flag = 0;for (int i = 0; i < clusterCount; i++){if (min > distance[i]){min = distance[i];flag = i;}}feature.at<float>(row, 0) = points.at<float>(row, 0);feature.at<float>(row, 1) = points.at<float>(row, 1);feature.at<float>(row, 2) = points.at<float>(row, 2);feature.at<float>(row, 3) = flag;}float new_center_r = 0, new_center_g = 0, new_center_b = 0;float *temp = new float[clusterCount];for (int i = 0; i < clusterCount; i++){int num = 0;float sum_center_r = 0, sum_center_g = 0, sum_center_b = 0;for (int row = 0; row < sampleCount; row++){if (feature.at<float>(row, 3) == i){sum_center_b = sum_center_b + feature.at<float>(row, 0);sum_center_g = sum_center_g + feature.at<float>(row, 1);sum_center_r = sum_center_r + feature.at<float>(row, 2);num++;}}new_center_b = sum_center_b / num;new_center_g = sum_center_g / num;new_center_r = sum_center_r / num;temp[i] = pow((new_center_b - centers.at<float>(i, 0)), 2) + pow((new_center_g - centers.at<float>(i, 1)), 2)+ pow((new_center_r - centers.at<float>(i, 2)), 2);centers.at<float>(i, 0) = new_center_b;centers.at<float>(i, 1) = new_center_g;centers.at<float>(i, 2) = new_center_r;}float total = 0;float mean_square_error = 0;for (int i = 0; i < clusterCount; i++){total = total + temp[i];}mean_square_error = total / 4;if (epoch % 1 == 0)cout << "epoch：" << epoch << "\terror of mean square：" << mean_square_error << endl;if (mean_square_error < 0.01)break;epoch++;}

4 代码运行结果及评价

输入图片：

2、迭代过程

3、聚类结果

如上图，从左至右分别为Blue、Green、Red通道；从上之下分别是五个簇心的坐标（像素值）。

4、图像分割结果

如上图，图像被清晰的分为了五个部分：背景为蓝色、歼20的迷彩涂装分为了红黄两色，颜色最暗的地方为紫色，颜色次暗的地方为绿色。
另外，对于大数据，经典的Kmeans算法显然处理速度太慢，但对于彩色图像，使用经典Kmeans算法对其进行分割，其所耗时长在可接受的范围内。
至此完全实现了基于Kmeans聚类算法的图像分割，经验证，其结果与利用OpenCV提供的API得到的效果完全一致！

5 最后

项目运行效果：

🧿 项目分享:见文末!