25_基于改进K-means的图片主色提取方法_朱培恺.pdf

第52卷第6期南开大学学报（自然科学版）Vol.52№6

2019年12月ActaScientiarumNaturaliumUniversitatisNankaiensisDec.2019

文章编号:0465-7942(2019)06-0012-07

基于改进K-means的图片主色提取方法

朱培恺,刘敬浩

(天津大学电子信息工程学院,天津300072)

摘要：提出了一种基于密度的聚类结果优化方法,利用传统K-means快速高效的特性和基于密度的思想,

有效提取图像中的主色,避免了基于密度来定位初始聚类中心导致的运算速度缓慢的缺点,同时避免传统聚类

算法无法分析出部分主色的问题.实验结果表明,提出的方法能够很好地提升聚类效果,且最终得到的主色分析

结果也更精确.

关键词：K-means聚类;基于密度;欧氏距离

中图分类号:TP399文献标志码:A

0引言

人工智能的飞速发展,使得人们对生活便利程度的要求越来越高,各行各业都在开发各项技术,以方

便人们的生活.图像处理技术,就是这些技术中至关重要的一个.近些年来,图像处理对图像形状、相对大

小甚至动作的处理已经比较成熟,但在许多现实情况中,人们对图像颜色的反应会更加敏感.视频软件的

推荐功能通常只通过电影类别或者电影的名称进行推荐,除了近几个月来小米公司发布会上提出的推荐

都有红色的电影这样的想法,很少有针对电影海报的颜色进行推荐的行为,针对这样的缺陷,提出了能够

提取传统K-means算法无法提取的小部分醒目主色的算法,在图像处理中具有探究和应用价值.

聚类是研究样品或指标分类问题上最为常用的统计分析方法,同时也是数据挖掘算法的一个预处理

[1]

步骤.主流的聚类算法有K-means、K-medoids、DBSCAN、Clara算法等.K-means是拥有最广泛应用的

聚类算法,算法简单高效,但也有其应用的局限性,如聚类数k需要事先指定,聚类结果对初始聚类中心的

[2]

选取敏感等;K-medoids是K-means的优化算法,它选取每个类中最靠近中心的一个对象来代表该类,

[3]

取代了K-means算法中每个类的均值作为中心的方法,以增加计算量为代价,降低了算法对异常数据和

噪声点的敏感度;DBSCAN算法是一种具有代表性的基于密度的聚类算法,相比K-means,它不需要事先

[4]

知道要形成簇类的数量,同时可以发现任意形状和大小的簇,并且能够有效识别噪声点,但是DBSCAN

不能很好地处理高维数据,并且非常耗时;Clara算法是一种以样本空间代替整体数据的聚类算法,能有效

处理大数据,但是准确率相对较低.

针对传统K-means算法中初始聚类中心点选取和平均迭代造成聚类结果处在数据集空心区域等问

[5-6]

题,结合文献[1]提出的基于密度选取初始聚类中心的算法,提出了一种基于密度的聚类结果优化方法.

1传统K-means算法

[1]

K-means算法是MacQueenJB在1967年提出的.因该算法具有简单快速、易于实现等优点,使其

[7]

成为到目前为止应用最广泛的聚类算法之一.

K-means的执行过程可以分成3个步骤:

收稿日期：2018-10-23

作者简介：朱培恺(1992-),男,浙江丽水人,硕士研究生.

通讯作者：刘敬浩(1963-),男,天津人,副教授,研究方向:网络虚拟环境技术、利用HFC建立宽带接入网、计算机通