wxya（个人网站）图像分割之k-means聚类分割bb
k-means聚类原理
k-means聚类是一种无监督学习的聚类算法，它的目的是将数据集中的样本划分成若干个类别，使得同一类别内的样本相似度高，而不同类别之间的样本相似度低。其目标是将数据点划分为k个类簇，找到每个簇的中心并使其度量最小化。
此外，K-means算法有一些优点，如简单易懂、计算速度快，适合处理大数据集。但它也有一些缺点，比如需要预先指定簇的数量K，对初始聚类中心的选择敏感，可能收敛到局部最优而非全局最优解，对于非凸数据集和噪声数据敏感。
在实际应用中，K-means算法广泛应用于市场细分、图像分割、社交网络分析等领域。本文主要将其应用于图像分割领域。
k-means基本思路
通过计算相似度（默认欧氏距离），将相似度大的样本聚集到同一个类别，k表示聚成k个类别，means表示每个类别的聚类中心点是通过簇中所有样本点的均值得到。
聚类效果评估
聚类的效果可采用误差平方和SSE进行评价，SSE值越小，表示数据点越接近它们的中心点，聚类效果越好。
k-means聚类算法流程
下面是K-Means聚类算法的分析流程，步骤如下：
第一步，确定K值，即将数据集聚集成K个类簇或小组。第二步，从数据集中随机选择K个数据点作为质心（Centroid）或数据中心。第三步，分别计算每个点到每个质心之间的距离，并将每个点划分到离最近质心的小组，跟定了那个质心。第四步，当每个质心都聚集了一些点后，重新定义算法选出新的质心。第五步，比较新的质心和老的质心，如果新质心和老质心之间的距离小于某一个阈值，则表示重新计算的质心位置变化不大，收敛稳定，则认为聚类已经达到了期望的结果，算法终止。第六步，如果新的质心和老的质心变化很大，即距离大于阈值，则继续迭代执行第三步到第五步，直到算法终止。
对于图像分割任务，需要在第一步之前将图像reshape为m*n行、p列的矩阵，这样每一行就是一个p维数据点。通过以上聚类算法，得到最终的聚类结果，最后再将结果reshape为原始图像的大小即可。
Loading...