Kmeans 聚类图像分割

Kmeans 聚类图像分割一、技术背景当图像中存在多个不同的区域类别时传统的Otsu二值化方法只能将图像分为前景和背景两类无法满足复杂场景的需求。Kmeans聚类是一种无监督学习方法可以将数据自动划分为K个类别非常适合多区域图像分割。本文介绍 SEM 项目中imageUtils.kmeans_detect()方法的实现原理该方法基于像素灰度值进行6类聚类并保留最小两类的策略实现图像分割。二、数学原理2.1 Kmeans算法Kmeans算法的目标是将nnn个样本划分为KKK个簇使得每个样本到其所属簇中心的距离最小。目标函数最小化簇内平方误差J∑j1K∑xi∈Cj∥xi−μj∥2 J \sum_{j1}^{K}\sum_{x_i \in C_j} \|x_i - \mu_j\|^2Jj1∑K​xi​∈Cj​∑​∥xi​−μj​∥2其中CjC_jCj​表示第jjj个簇μj\mu_jμj​表示第jjj个簇的中心。2.2 算法步骤初始化随机选择KKK个初始聚类中心μ1,μ2,...,μK\mu_1, \mu_2, ..., \mu_Kμ1​,μ2​,...,μK​分配将每个样本分配到距离最近的聚类中心Cj{xi:∥xi−μj∥≤∥xi−μl},∀l≠j}C_j \{x_i : \|x_i - \mu_j\| \leq \|x_i - \mu_l\}, \forall l \neq j\}Cj​{xi​:∥xi​−μj​∥≤∥xi​−μl​},∀lj}更新重新计算每个簇的中心μj1∣Cj∣∑xi∈Cjxi\mu_j \frac{1}{|C_j|}\sum_{x_i \in C_j} x_iμj​∣Cj​∣1​xi​∈Cj​∑​xi​迭代重复步骤2-3直到收敛2.3 图像分割中的应用在图像分割中将每个像素的灰度值或颜色值作为特征向量灰度图像每个像素是一个一维特征灰度值彩色图像每个像素是一个三维特征R, G, B2.4 最小两类保留策略在SEM图像分析中目标区域如孔隙通常呈现较低的灰度值。因此聚类完成后计算6个聚类中心的灰度值找出灰度值最小的两个类将这两个类作为目标区域保留其余区域设为背景三、代码实现以下代码来自e:\SEM\Utils\imageUtils.cs//kmeans聚类分割publicstaticvoidkmeans_detect(refMatsrc_img){intclusterCount6;// 聚类数Matgray_imgnewMat();Cv2.CvtColor(src_img,gray_img,ColorConversionCodes.BGR2GRAY);Matclahe_resultnewMat();CLAHEclaheCv2.CreateCLAHE();clahe.ClipLimit2.0;clahe.TilesGridSizenewOpenCvSharp.Size(8,8);clahe.Apply(gray_img,clahe_result);// 高斯滤波MatresultnewMat();Cv2.GaussianBlur(clahe_result,result,newOpenCvSharp.Size(5,5),0);intwidthgray_img.Cols;intheightgray_img.Rows;intdimsgray_img.Channels();// 定义初始值intsampleCountwidth*height;MatPointsnewMat(sampleCount,dims,MatType.CV_32F,newScalar(10));// RGB 数据转为样本数据intindex0;for(introw0;rowheight;row){for(intcol0;colwidth;col){indexrow*widthcol;floatvalueresult.Atbyte(row,col);Points.Set(index,0,value);}}// KMeans 聚类MatlabelsnewMat();MatcentersnewMat(clusterCount,1,Points.Type());TermCriteriacriterianewTermCriteria(CriteriaTypes.Eps|CriteriaTypes.Count,10,0.1);Cv2.Kmeans(Points,clusterCount,labels,criteria,3,KMeansFlags.PpCenters,centers);// 寻找最小的两个聚类中心ListfloatcenterValuesnewListfloat();for(inti0;iclusterCount;i){centerValues.Add(centers.Atfloat(i,0));}// 找出最小值和次小值intminIndex0;intsecondMinIndex1;floatminValuecenterValues[0];floatsecondMinValuecenterValues[1];for(inti0;icenterValues.Count;i){if(centerValues[i]minValue){secondMinValueminValue;secondMinIndexminIndex;minValuecenterValues[i];minIndexi;}elseif(centerValues[i]secondMinValuei!minIndex){secondMinValuecenterValues[i];secondMinIndexi;}}// 生成结果图像for(introw0;rowheight;row){for(intcol0;colwidth;col){indexrow*widthcol;intlabellabels.Atint(index,0);if(label!minIndexlabel!secondMinIndex){scale_img.SetVec3b(row,col,newVec3b(0,0,0));src_img.SetVec3b(row,col,newVec3b(0,0,0));}else{scale_img.SetVec3b(row,col,newVec3b(255,255,255));src_img.SetVec3b(row,col,newVec3b(255,255,255));}}}}处理流程预处理CLAHE对比度增强 高斯滤波去噪数据准备将图像像素转换为一维特征矩阵Kmeans聚类使用K-means初始化进行6类聚类聚类中心分析找出灰度值最小的两个类生成结果将最小两类标记为目标白色其余为背景黑色四、参数调优4.1 关键参数参数默认值说明clusterCount6聚类数量ClipLimit2.0CLAHE对比度限制TilesGridSize(8, 8)CLAHE网格大小高斯核大小(5, 5)高斯滤波核尺寸最大迭代次数10Kmeans终止条件迭代精度0.1Kmeans终止精度重试次数3Kmeans不同初始化次数4.2 聚类数选择场景建议聚类数说明简单双峰分布2-3类似Otsu效果SEM截面分析6区分多种组织成分复杂纹理8-10捕捉更多细节4.3 调优建议聚类数调整根据图像中实际存在的区域类型数量设置保留类别数根据目标特征调整如保留最小1-3类预处理优化适当增强对比度有助于聚类效果五、常见问题Q1聚类结果不稳定原因Kmeans对初始中心敏感可能收敛到局部最优。解决方案使用KMeansFlags.PpCentersK-means初始化增加重试次数第3个参数设置合理的终止条件Q2聚类速度较慢原因图像分辨率高样本数多。解决方案将图像缩小后再聚类减少聚类数量减少迭代次数和重试次数Q3目标区域分割不完整原因聚类数过多目标被分成多个类。解决方案减少聚类数量增加保留的类别数量如保留最小3类Q4背景区域被误分类为目标原因背景区域灰度值与目标相近。解决方案增加预处理步骤如光照校正考虑使用空间约束的聚类方法结合形态学后处理去除误分类区域Q5如何确定最佳聚类数解决方案使用肘部法则Elbow Method计算不同聚类数下的簇内平方误差和选择误差下降变缓的转折点作为聚类数