123_dsp分析报告.DOCVIP

数字信号处理课设分析报告 ——软件学院1112681孙凯悦 基于kmeans聚类的图像分割算法 方法一 基于像素点的卷积方法 算法描述： 1.读图，将其转化为灰度图，并调整到大小为512*512的矩阵Ig，以便后面处理 2.将矩阵分别与如下卷积核做卷积： a.一阶差分（四种：水平、竖直、两个45度方向） b.二阶差分(两次一阶差分) c.平均化 d.高斯平滑化 b(:,:,1) = [-1 0;0 1]; b(:,:,2)=[-1,-1;1,1]; b(:,:,3) = [-1 1;-1 1]; b(:,:,4) = [0 -1;1 0]; b(:,:,5) = ones(2)/4; bgaussian = [0 0 0 0 0 0,0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0; feature=zeros(512,512,12); for i=1:6 a(:,:,i) = conv2(Ig,b(:,:,i)); end feature = a(:); 3.将得到的结果去黑边并resize到一致大小 512*512的矩阵，此时。对应原矩阵Ig的每个点的位置，都有11个由2.得到的特征值 4.将11组特征矩阵连同原矩阵Ig合并为一个三维的矩阵feature(512 512 12), 5.用mykmeans函数将点按特征值组分成4类 m=4; b=mykmeans(feature,m); 由于matlab库中自带的kmeans函数是对一维信号的特征向量的处理，而我们要处理的是二维的图像特征向量阵列。所以，我们将三维的图像特征矩阵按一定规则转化成二维的特征矩阵做系统的kmeans，再将结果用同样的方式转换回二维的图像矩阵 function result=mykmeans(mat,n) [a,b,c]=size(mat); mat1=zeros(a*b,c); for i=1:a for j=1:b mat1((j-1)*a+i,:)=mat(i,j,:); end end result=kmeans(mat1,n); result=reshape(result,[a b]); end 6．用label2rgb函数将不同类的点用不同颜色标示，以达到分块的目的figure(22),imshow(label2rgb(b)); 最终结果 算法改进及参数分析： 1改进：在kmeans函数中，不同特征值的取值范围差异较大，由于kmeans是基于特征值向量的距离分类算法，得到的分类结果会受到范围权重影响，因此将特征值组正规化 feature(:,:,1)=feature(:,:,1)/max(max(feature(:,:,1))); 变化：卷积得到的结果和原图按不同权重w合并效果不同 feature(:,:,1)=normalize(a11)*w; 当两种滤波比重较大时，最后得到的彩图较为平滑 左图为未将特征值组正规化的结果 因为高斯滤波的卷积核是正规化后的效果。因此，此时高斯滤波占的权重较小，效果图不如正规化后的平滑 2由于mykmeans取初始点的随机性，每次运行结果都会不同，此方面影响的效果好坏的随机性不可避免 两次运行并未做任何改动，但是右图分类效果比较明显。 3改进：当权重不得当时，由于只考虑点及其周边较小的范围，对于原图有斑点的位置，结果也会出现斑点，分