K 均值可用于帮助基于像素值的图像分离吗？

Question

我正在尝试根据像素值分离灰度图像：假设一个 bin 中的像素为 0 到 60，另一个 bin 中的像素为 60-120，120-180 ...依此类推，直到 255。范围在此大致等距案件。 然而，通过使用 K 均值聚类是否可以更实际地测量我的像素值范围应该是什么？尝试同时获取相似的像素，而不是像素浓度较低的垃圾箱。

编辑（包括获得的结果）：

k 均值，簇数 = 5

Answer 1

当然K-Means可以用于颜色量化。这非常方便。

让我们看一下 Mathematica 中的示例：

我们从灰度 (150x150) 图像开始：

让我们看看以 8 位表示图像时有多少个灰度级：

ac = ImageData[ImageTake[i, All, All], "Byte"];
First@Dimensions@Tally@Flatten@ac
-> 234

好的。让我们减少这 234 个级别。我们的第一个尝试是让算法单独确定默认配置下有多少个簇：

ic = ClusteringComponents[Image@ac];
First@Dimensions@Tally@Flatten@ic 
-> 3

它选择 3 个簇，对应的图像为：

现在，是否可以，或者您需要更多集群，这取决于您。

假设您决定需要更细粒度的分色。让我们要求 6 个簇而不是 3 个：

ic2 = ClusteringComponents[Image@ac, 6];
Image@ic2 // ImageAdjust  

结果：

以下是每个 bin 中使用的像素范围：

Table[{Min@#, Max@#} &@(Take[orig, {#[[1]]}, {#[[2]]}] & /@ 
    Position[clus, n]), {n, 1, 6}]
-> {{0, 11}, {12, 30}, {31, 52}, {53, 85}, {86, 134}, {135, 241}}

以及每个箱中的像素数：

Table[Count[Flatten@clus, i], {i, 6}]
-> {8906, 4400, 4261, 2850, 1363, 720}

所以，答案是肯定的，而且很简单。

编辑

也许这会帮助您理解在新示例中做错了什么。

如果我对彩色图像进行聚类，并使用聚类编号来表示亮度，我会得到：

这是因为簇没有按亮度升序编号。

但是，如果我计算每个簇的平均亮度值，并用它来表示簇值，我得到：

在我之前的示例中，这不是必需的，但这只是运气:D（即按亮度升序找到簇）

Answer 2

k-means 可以应用于您的问题。如果是我，我会首先尝试从决策树借用的基本方法（尽管“更简单”取决于您的精确聚类算法！）

假设存在一个容器，开始将像素强度填充到容器中。当箱“足够满”时，计算箱（或节点）的平均值和标准差。如果标准差大于某个阈值，则将节点分成两半。继续此过程，直到完成所有强度，您将获得更有效的直方图。

当然，可以通过其他细节来改进此方法：

1. 您可以考虑使用峰度作为分割标准。
2. 偏度可用于确定分割发生的位置
3. 您可能会一直进入决策树区域并借用 Jini 索引来指导分割（某些分割技术依赖于更“奇异”的统计数据，例如 t 检验）。
4. 最后，您可以执行最终合并过程来折叠任何稀疏的节点。

当然，如果您已经应用了上述所有“改进”，那么您基本上已经实现了 k 均值聚类算法的一种变体；-)

注意：我不同意上面的评论 - 您描述的问题不会出现密切相关的直方图均衡。