基于K-means-的图像分割

1、基于K-means 的图像分割一、实验目的（1）通过K-means聚类实现图像分割，在实验板上观察实验效果。（2）掌握VisualDSP+5.0的使用。二、实验环境（1）软件：WindowsXp、VisualDSP+5.0（2）硬件：仿真器、EBF-561实验平台三、算法描述图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。近年来，图像分割在实际工程中已经得到了广泛应用。本次实验主要用到的分割算法为K-means算法。K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相

2、似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。其原理为：先取k个初始距离中心。计算每个样品到这k个中心的距离，找出最小距离把样品归入最近的聚类中心，修改中心点的值为本类所有样品的均值，再计算各个样品到k个中心的距离，重新归类、修改新的中心点，直到新的距离中心等于上一次的中心点时结束。此算法的结果受到聚类中心的个数以及初始聚类中心的选择影响，也受到样品几何性质及排列次序影响。如果样品的几何特性表明他们能形成几个相距较远的小块孤立区域，则算法多能收敛。根据原理，可定义准则函数为：算法原理可以解释如下：四、算法步骤输入：k，datan(1) 选择k 个初始中

3、心点，例如c0 = data0， ，ck-1=datak-1;(2) 对于data0，datan，分别与c0，ck-1比较，假设ci差值最少，就标记为i；(3) 对于所有标记为i 点，重新计算ci=所有标记为i 的dataiz 之和/标记为i 的个数；(4) 重复(2)(3)，直至所有cj值的变化小于给定阈值。五、实现结果 按照下列步骤，程序正确运行，得到正确的分割结果。（1）上机完善图像分割k-means算法程序；（2）搭建实验硬件环境；（3）打开VisualDSP+集成开发环境，建立Session状态；（4）打开并运行工程；（5）调试程序；（6）在实验板上检查分割效果。六、算法阐述 K-m

4、eans算法是一种得到最广泛使用的基于划分的聚类算法，把n个对象分为k个簇，以使簇内具有较高的相似度。相似度的计算根据一个簇中对象的平均值来进行。这样的特性就导致了算法对初始值敏感，对于不同的初始值，可能会导致不同的聚类结果，而且对于“噪声”和孤立数据敏感，少量的该类数据能够对平均值产生极大影响，针对这些问题，可以通过数据预处理、优化初始聚类中心选择、改良迭代过程中聚类中心的选择来改进算法。七、主要程序及解释要求：bmpimage.imgbuf为图像数据首地址，指针类型；图像宽度变量为head.biWidth，高度为head.biHeight

5、；分割结果（不同区域标识对应的灰度值）要求仍然存储在bmpimage.imgbuf为首地址的区域。int k,j;int size; /存储图片灰度数据的个数int sum1,sum2;/两类总灰度值大小总和int count1,count2;/两类总样本的个数unsigned char c3; unsigned char *data;data= bmpimage.imgbuf;c1 = data1;/初始化两类聚类中心，分别去第1个和第1000个数据点的灰度值c2 = data1000;size = head.biWidth * head.

6、biHeight;int labelN;/存储各个样本点的类别for(j=0;j30;j+) /迭代30次 sum1 = 0;/初始化变量 sum2 = 0; count1 = 0; count2 = 0; for(k = 0;k =(pow(datak-c2),2)/判断各个样本到聚类中心的距离，哪个近，就分到哪一类 labelk = 2;/第2类，样本综合更新，个数更新sum2 = sum2 + datak;count2+; else labelk = 1; sum1 = sum1 + datak; count1+; c1 = sum1 / count1;/更新聚类中心 c2 = sum2 / count2;for(k=0; k size - 1; k+)/为了让其差别更明显，两类分别取灰度值0，255，便于检查聚类效果 if (labelk = 1) datak = 0; else datak = 255;八、实验总结在刚开始编程的时候走了一些弯路，主要是因为对算法原理理解的不够透彻，后来，在老师和同学的帮助下，理清了编程的思路，顺利的编写完算法，并且