基于K-means的图像分割.docVIP

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，data[n] (1) 选择k 个初始中心点，例如c[0] = data[0]， ……，c[k-1]=data[k-1]; (2) 对于data[0]，……，data[n]，分别与c[0]，……，c[k-1]比较，假设c[i]差值最少，就标记为i； (3) 对于所有标记为i 点，重新计算c[i]={所有标记为i 的data[i]z 之和}/标记为i 的个数； (4) 重复(2)(3)，直至所有c[j]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-means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bmpimage.infohead.biWidth，高度为bmpimage.infohead.biHeight；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 c[3]; unsigned char *data; data= bmpimage.imgbuf; c[1] = data[1];//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 c[2] = data[1000]; size = bmpimage.infohead.biWidth * bmpimage.infohead.biHeight; int label[N];//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 size - 1;k++) { if (pow((data[k]-c[1]),2)=(pow((data[k]-c[2]),2)))//判断各个样本到聚类中心的距离，哪个近，就分到哪一类 { label[k] = 2;//第2类，样本综合更新，个数更新 sum2 = sum2 + data[k]; count2++; } else { label[k] = 1; sum1 = sum1 + data[k];