图像处理------K-Means算法演示

一：数学原理

K-Means算法的作者是MacQueen， 基本的数学原理很容易理解，假设有一个像素

数据集P。我们要根据值不同将它分为两个基本的数据集合Cluster1, Cluster2，使

用K-Means算法大致如下：

假设两个Cluster的RGB值分别为112,225,244和23,34,99则像素集合中的像素点

a(222,212,234), b(198,205,229), c(25,77,52),d(34,55,101)计算每个像素点与这

两个cluster中心点的欧几里德距离，则像素点a, b属于前面一个cluster， c,d属于

后面一个cluster。然后在根据(222+198)/2, (212+205)/2, (234+52)/2更新cluster

的RGB值，对后一个cluster做同样处理。然后再计算每个像素点到cluster中心点

的欧几里德距离。最终值没有变化则得到分类Cluster点集合。

二：算法基本流程

三：算法关键代码解析

初始化cluster中心点代码如下：

[java] view plaincopy

1. Random random = new Random();
2. for (int i = 0; i < numOfCluster; i++)
3. {
4. int randomNumber1 = random.nextInt(width);
5. int randomNumber2 = random.nextInt(height);
6. index = randomNumber2 * width + randomNumber1;
7. ClusterCenter cc = new ClusterCenter(randomNumber1, randomNumber2, inPixels[index]);
8. cc.setcIndex(i);
9. clusterCenterList.add(cc);
10. }

初始化所有像素点代码如下：

[java] view plaincopy

1. // create all cluster point
2. for (int row = 0; row < height; ++row)
3. {
4. for (int col = 0; col < width; ++col)
5. {
6. index = row * width + col;
7. int color = inPixels[index];
8. pointList.add(new ClusterPoint(row, col, color));
9. }
10. }

计算两个像素点之间欧几里德距离的代码如下:

[java] view plaincopy

1. // int pa = (p.getPixelColor() >> 24) & 0xff;
2. int pr = (p.getPixelColor() >> 16) & 0xff;
3. int pg = (p.getPixelColor() >> 8) & 0xff;
4. int pb = p.getPixelColor() & 0xff;
5. // int ca = (c.getPixelColor() >> 24) & 0xff;
6. int cr = (c.getPixelColor() >> 16) & 0xff;
7. int cg = (c.getPixelColor() >> 8) & 0xff;
8. int cb = c.getPixelColor() & 0xff;
9. return Math.sqrt(Math.pow((pr - cr), 2.0) + Math.pow((pg - cg), 2.0) + Math.pow((pb - cb), 2.0));

; i<clusterCenterList.size(); i++)

{

clusterCenterList.get(i).setNumOfPoints(0);

}

// recalculate the sum and total of points for each cluster

double[] redSums = new double[3];

double[] greenSum = new double[3];

double[] blueSum = new double[3];

for(int i=0; i<pointList.size(); i++)

{

int cIndex = (int)pointList.get(i).getClusterIndex();

clusterCenterList.get(cIndex).addPoints();

int ta = (pointList.get(i).getPixelColor() >> 24) & 0xff;

int tr = (pointList.get(i).getPixelColor() >> 16) & 0xff;

int tg = (pointList.get(i).getPixelColor() >> 8) & 0xff;

int tb = pointList.get(i).getPixelColor() & 0xff;

ta = 255;

redSums[cIndex] += tr;

greenSum[cIndex] += tg;

blueSum[cIndex] += tb;

}

double[] oldClusterCentersColors = new double[clusterCenterList.size()];

for(int i=0; i<clusterCenterList.size(); i++)

{

double sum  = clusterCenterList.get(i).getNumOfPoints();

int cIndex = clusterCenterList.get(i).getcIndex();

int red = (int)(greenSum[cIndex]/sum);

int green = (int)(greenSum[cIndex]/sum);

int blue = (int)(blueSum[cIndex]/sum);

System.out.println("red = " + red + " green = " + green + " blue = " + blue);

int clusterColor = (255 << 24) | (red << 16) | (green << 8) | blue;

clusterCenterList.get(i).setPixelColor(clusterColor);

oldClusterCentersColors[i] = clusterColor;

}

return oldClusterCentersColors;

}