基于k-均值聚类的图像分割

实验目的

通过编程，实现将一幅彩色图像分割为若干个同质区域，即采用K-Means聚类算法来将像素分组从而实现图像分割。在实验中，要分别基于颜色特征和纹理特征实现图像分割，并通过分析比较两种视觉特征在图像分割中的性能。

实验设计

本实验设计4个功能函数

生成隶属度矩阵

函数说明

给定一个h * w *d 的矩阵featIm，其中h 和w 为原始图像的高度和宽度，d 表示图像中每一个像素点所提取的特征向量的维数。给定一个有k 个聚类中心点的矩阵meanFeatures(矩阵维度是k*d)，其中每个中心点都是一个d 维的行向量（矩阵的一行），将输入图片中的每个像素映射到其所归属的k-means 某一个中心点去。函数的返回值定义为labelim，labelim 是一个h*w 的整数矩阵，用来表明每一个像素所属的聚类中心标号(1...k)。函数形式：

function [labelIm] = quantizeFeats (featIm, meanFeats)

实现思路

featIm 是一个 d 维矩阵，meanFeats 里面有 k 个中心点，每个中心点有 d 列，利用 kmeans 的思想，依次计算 featIm 中的每一个像素点到 k 个中心点的距离，选取最近的中心点的行号作为该点的标记值进行返回，返回的 labelIm 正好是 h*w 的矩阵。

代码展示

function labelIm = quantizeFeats (featIm, meanFeats)

height = size(featIm, 1);
width = size(featIm, 2);
dimension = size(featIm, 3);

% 计算原始图像 至 meanFeats 的距离，生成隶属度矩阵 labelIm
labelIm = ones(height, width);
for h=1:height
    for w=1:width
       minDis = -1;
       for k=1:size(meanFeats, 1)
           dis = 0;
           for d=1:dimension
               dis = dis + power(featIm(h, w, d) - meanFeats(k, d), 2);
           end
           dis = sqrt(dis);
           if minDis < 0 || dis < minDis
               labelIm(h, w) = k;
               minDis = sqrt(dis);
           end
       end
    end 
end

return

% 给定一个h * w *d 的矩阵featim，其中h 和w 为原始图像的高度和宽度，d 表示图像中每一个像素点所提取的特征向量的维数。
% 给定一个有k 个聚类中心点的矩阵meanFeatures(矩阵维度是k*d)，其中每个中心点都是一个d 维的行向量（矩阵的一行），
% 将输入图片中的每个像素映射到其所归属的k-means 某一个中心点去。
% 函数的返回值定义为labelim，labelim 是一个h*w 的整数矩阵，用来表明每一个像素所属的聚类中心标号(1...k)。

生成纹理基元编码集

函数说明

给定一个长度为n 且包含n 个灰度值图像的元胞数组imStack，以及滤波器组bank，基于所有n 个图片的过滤响应样本计算一个纹理基元编码集（如一组量化的滤波器组响应）。注意，元胞数组的特点是数组中的每个元素可以存储不同大小的矩阵，所以允许每张图片有不同的宽和高。其中bank 是一个包含d 个滤波器的m*m*d 矩阵，每个滤波器的大小为m*m，textons 是一个k*d 的矩阵，其中每一行代表一个纹理特征，如一个量化滤波器组的响应。函数形式：

function [textons] = createTextons(imStack, bank, k)

实现思路

imStack 是元胞数组，里面承载的是n 个灰度值图像，此处使用的滤波器组bank是49*49*38的矩阵，它包含38 个总过滤器，其中每个过滤器为49 x 49。首先将每一个灰度值图像使用滤波器组过滤