当前课程知识点:现代图像分析 >  第七章 图像分割 >  7.6 聚类分割法 >  7.6.1 k-means聚类法学习视频

返回《现代图像分析》慕课在线视频课程列表

7.6.1 k-means聚类法学习视频在线视频

下一节:7.6.2 谱聚类分割法学习视频

返回《现代图像分析》慕课在线视频列表

7.6.1 k-means聚类法学习视频课程教案、知识点、字幕

同学们好,今天我们给大家介绍第七章

图像分割中的另一类方法,是基于聚类的图像分割算法

我们知道聚类分析是统计模式识别中

无监督模式分类的一个重要分支

它试图根据数据集的内部结构

将数据集分成不同的几个子类

使得在同一类的样本尽可能的相似

在不同类的样本要尽可能的相异

分类和分割问题本质上是一致的

都是按照某种准则来获得样本的类别标记

同时,由于图像分割的无监督性和图像质量评价的主观性

使得聚类算法特别适合于图像分割问题

而k-means算法,我们也把它称作是k平均或者是k均值

它是一种应用最为广泛的聚类算法

它是将各个聚类子集内的所有数据样本的均值

作为该聚类的代表点

这种算法主要思想是通过迭代的过程

把数据集划分成不同的类别

而使得评价聚类性能的准则函数达到最优

从而使生成的每个聚类内部是紧凑,内间是独立的

那么k-means算法面临了三个核心问题

其中的第一个核心问题就是如何度量数据间的相似性

我们来看这样的一个例子

我们在这儿给了大家16张扑克牌,这16张扑克牌

我们看是J、Q、K、A这是它的花色

然后,有黑桃、红桃、梅花和方片

我现在要求大家把这16张扑克分组

怎么样来分组呢?首先我们考虑一下

我可以按照花色把它分为4,也就说我可以把它分成

黑桃、红桃、梅花和方片,按照花色把它分成4组

同时,我也可以按照这个扑克上的符号把它分成4组

也就是说,我们把所有的J分成一组,Q分成一组

K分成一组,A分成一组

另外我们也可以按颜色把它分成两种

比如说我可以把它分成红色的是一组,黑色的是一组

那么这个例子就告诉我们

如何定义相似度的度量是非常重要的

第二个核心问题就是

需要选择评价聚类性能的一个准则函数

在k-means算法中,它的准则函数就是要使得每一类的样本

到它的聚类中心的距离平方和要达到最小

用这个距离平方和来评价聚类性能

距离平方和越小说明聚类的效果是越好的

这是它的准则函数

第三个问题就是如何更新聚类中心

在k-means中,我们的聚类中心的更新方法

就是采用的是平均值的方法,所以给它起名叫k-means

那么k-means算法的主要步骤

我们首先给大家简单的介绍一下

首先,第一步就是要随机的确定k个聚类中心

然后,把所有的对象分配到这k个子集中

第二步,计算每个子类的平均值

并且用这个平均值代表相应的子类

也就是说我们要得到一个新的聚类中心

第三步,根据每一个样本到聚类中心的距离重新分配新的子类

第四步,计算每个子类的平均值

这个过程不断的重复,直到满足某个准则函数才停止

那么一般情况下,这个准则函数有两种

第一种就是迭代的次数

达到预先设定的最大的迭代次数的时候,我们的迭代就终止

第二种就是我们的聚类中心不再变化

也就说算法稳定了,那么这个时候也可以终止计算

这里,我们给出了一个用k-means进行图像分割的示例

左上角是原始图像 b、c、d这三个图像分别是

我们把它分割成两类、三类和四类的结果

那我们可以看到就是当我们的聚类类别数越多的时候

图像分割实际上是越精细的

那k-means算法,它是解决聚类问题的一种经典算法

具有简单、速度快的这样的一个优点

那么第二个它的优点就是对于处理大数据集

这个算法相对来讲效率是比较高的,因为它的复杂度比较低

第三个优点就是当它的子类是密集的

而子类和子类之间区别比较明显的时候

k-means算法效果是比较好的,这是它的主要优点

当然,这些算法也存在一个明显的不足,这个不足就是

第一当子类的平均值只有在被定义的情况下才能够使用

有时候我们的样本,它的这个特征比如说是类属性质的

那么这个时候呢k-means算法就不起作用了

第二个就是必须要事先给定这个k,也就是说

我必须要事先知道这个图像分成几个区域,或者说要聚成几类

并且k-means算法对初始是非常敏感的

我们对于不同的初始值可能会导致不同的聚类结果

第三个缺陷就是它对噪声和孤立点数据是比较敏感的

那么这个噪声和孤立点有时候我们也把它叫做野值点

一些少量的这种野值点

能够对我们的平均值产生一个很大的影响

这是我们说k-means算法的一个不足

并且我们知道,早期的基于聚类的分割算法中

待分析的样本就是图像中的像素的点数

因为我们是要把像素点进行分类

那么特征就是像素的灰度

比如说一幅512乘512的图像

那么分类的数目就可以达到将近26万

对于遥感图像来讲,这些尺寸更大的图像

我们样本的这个数目将会更多

从而影响了分割过程的一个实时性

那么既然分类的特征是灰度,所以人们就希望

直接把灰度和它出现的频度作为带分类的样本

与聚类算法相结合

就形成了灰度直方图加权的聚类分割算法

这样对给定的灰度图像分类的样本数呢

不随着图像尺寸的增大而增大,比如说对于256级的灰度图像

不管尺寸多大,那么分类的样本只有256个

从而大大提高了分割效率

好,今天的主要内容就给大家介绍到这里

谢谢大家 再见

现代图像分析课程列表:

第一章 绪论

-1.1 图像及图像的基本概念

--1.1.1 图像处理基本概念学习视频

--1.1.2 图像及图像的基本概念作业

-1.2 数字图像处理的起源

--1.2.1 数字图像处理的起源学习视频

--1.2.2 数字图像处理的起源作业

-1.3 数字图像处理的步骤和方法

--1.3.1 图像处理步骤和方法学习视频

--1.3.2 数字图像处理步骤和方法作业

-1.4 数字图像处理系统的组成

--1.4.1 图像处理系统组成学习视频

--1.4.2 数字图像处理系统的组成作业

-1.5 数字图像处理主要应用领域

--1.5.1 图像处理应用领域学习视频

--1.5.2 数字图像处理主要应用领域作业

第二章 数字图像处理基础

-2.1 色度学基础

--2.1.1 色度学基础学习视频

--2.1.2 颜色模型学习视频

--2.1.3 色度学基础作业

-2.2 人的视觉特性

--2.2.1 人的视觉特性学习视频

--2.2.1 人的视觉特性作业

-2.3 图像数字化

--2.3.1 图像的数字化学习视频

--2.3.2 图像数字化作业

-2.4 数字图像特点

--2.4.1 数字图像特点学习视频

--2.4.2 数字图像特点作业

-第二章讨论题

第三章 图像变换

-3.1 图像变换的基本概念

--3.1.1 图像变换的基本概念学习视频

--3.1.2 图像变换的基本概念作业

-3.2 图像的几何变换

--3.2.1 图像的几何变换学习视频

--3.2.2 图像的几何变换作业

-3.3 图像的离散傅立叶变换

--3.3.1 图像离散傅立叶变换学习视频

--3.3.2 图像的离散傅立叶变换作业

-3.4 图像变换的一般表示形式

--3.4.1 图像变换的一般表示学习视频

--3.4.2 图像变换的一般表示形式作业

-3.5 图像的离散余弦变换

--3.5.1 图像离散余弦变换学习视频

--3.5.2 图像的离散余弦变换作业

-3.6 图像离散沃尔什-哈达玛变换

--3.6.1 沃尔什-哈达玛变换学习视频

--3.6.2 图像离散沃尔什-哈达玛变换作业

-3.7 K-L变换

-- 3.7.1 K-L变换学习视频

--3.7.2 K-L变换作业

-第三章讨论题

第四章 图像增强

-4.1 图像的对比度增强

--4.1.1 图像的对比度增强学习视频

--4.1.2 图像的对比度增强作业

-4.2 直方图修正

--4.2.1 直方图均衡化学习视频

--4.2.2 直方图规定化学习视频

--4.2.3 直方图修正作业

-4.3 图像平滑

--4.3.1 图像空域平滑法学习视频

--4.3.2 图像频域平滑法学习视频

--4.3.3 图像中值滤波学习视频

--4.3.4 图像平滑作业

-4.4 同态滤波

--4.4.1 同态滤波学习视频

--4.4.2 同态滤波作业

-4.5 图像锐化

--4.5.1 图像锐化学习视频

--4.5.2 图像锐化作业

-4.6 图像的彩色增强

--4.6.1 图像彩色增强学习视频

--4.6.2 图像的彩色增强作业

-第四章讨论题

第五章 图像恢复

-5.1 退化模型及常见退化模型

--5.1.1 退化模型学习视频

--5.1.2 退化模型及常见退化模型作业

-5.2 图像的无约束恢复

--5.2.1 图像的无约束恢复学习视频

--5.2.2 图像的无约束恢复作业

-5.3 图像有约束最小二乘恢复

--5.3.1 有约束最小二乘恢复学习视频

--5.3.2 图像有约束最小二乘恢复作业

-第五章讨论题

第六章 图像压缩编码

-6.1 概述

--6.1.1 概述学习视频

--6.1.1 概述作业

-6.2 图像编码基本理论

--6.2.1 图像编码基本理论学习视频

--6.2.2 图像编码基本理论作业

-6.3 无损编码理论

--6.3.1 无损编码原理学习视频

--6.3.2 无损编码理论作业

-6.4 霍夫曼编码

--6.4.1 霍夫曼编码学习视频

--6.4.2 霍夫曼编码作业

-6.5 算数编码

--6.5.1 算术编码学习视频

--6.5.2 算数编码作业

-6.6 预测编码

--6.6.1 预测编码学习视频

--6.6.2 预测编码作业

-6.7 正交变换编码

--6.7.1 正交变换编码学习视频

--6.7.2 正交变换编码作业

-第六章讨论题

第七章 图像分割

-7.1 图像分割的定义及依据

--7.1.1 图像分割定义及依据学习视频

--7.1.2 图像分割的定义及依据作业

-7.2 边缘点检测

--7.2.1 边缘点检测学习视频

--7.2.2 边缘点检测作业

-7.3 边缘线跟踪

--7.3.1 局部边缘连接法及光栅扫描跟踪法学习视频

--7.3.2 Hough变换学习视频

--7.3.3 边缘线跟踪作业

-7.4 门限化分割

--7.4.1 门限化分割学习视频

--7.4.2 门限化分割作业

-7.5 区域分割法

--7.5.1 区域分割法学习视频

--7.5.2 区域分割法作业

-7.6 聚类分割法

--7.6.1 k-means聚类法学习视频

--7.6.2 谱聚类分割法学习视频

--7.6.3 聚类分割法作业

-第七章讨论题

第八章 图像描述

-8.1 像素间的基本关系

--8.1.1 像素间的基本关系学习视频

--8.1.2 像素间的基本关系作业

-8.2 目标物的边界描述

--8.2.1 目标物的边界描述学习视频

--8.2.2 目标物的边界描述作业

-8.3 目标物的区域描述

--8.3.1 目标物的区域描述学习视频

--8.3.2 目标物的区域描述作业

-8.4 图像的几何特征

--8.4.1 图像的几何特征学习视频

--8.4.2 图像的几何特征作业

-8.5 特征描述子

--8.5.1 特征描述子SIFT学习视频

--8.5.2 特征描述子HOG学习视频

--8.5.3 特征描述子BOW学习视频

--8.5.4 特征描述子作业

-第八章讨论题

第九章 图像分类识别

-9.1 图像匹配

--9.1.1 图像匹配学习视频

--9.1.2 图像匹配作业

-9.2 图像分类

--9.2.1 图像分类学习视频

--9.2.2 图像分类作业

-9.3 图像识别

-- 9.3.1 图像识别学习视频

--9.3.2 图像识别作业

-9.4 模式识别分类专题

--9.4.1 经典分类方法学习视频

--9.4.2 SVM分类器学习视频

--9.4.3 神经网络学习视频

--9.4.4 模式识别分类专题作业

课程思政讨论

-中国天网

-中国天网思政讨论题

西电学子实践作品分享(会持续更新)

-谁偷走了尔康的帽子

-指静脉识别

-答题卡识别

-车道检测

-谁是怪盗J

-仙女们的困惑

-身份证号码识别

-基于混合高斯模型的运动目标检测

考试

-期末测试

--期末测试

7.6.1 k-means聚类法学习视频笔记与讨论

也许你还感兴趣的课程:

© 柠檬大学-慕课导航 课程版权归原始院校所有,
本网站仅通过互联网进行慕课课程索引,不提供在线课程学习和视频,请同学们点击报名到课程提供网站进行学习。