Meanshift 均值飘移实现图像聚类 MATLAB实现（4）

川长思鸟来 2022-12-08 01:52 120阅读 0赞

meanshift的基本原理这里就不介绍了，详情可参考我的博客。

meanshift图像聚类的。这里的聚类也像过去的滤波一样，需要一个矩阵模板，不过这个模板就是当前处理的像素周围提取一个r\*r的矩阵，然后**把这个矩阵化为一维向量，再对这个向量进行meanshift**，最终迭代到的值再赋值给当前处理的像素。所以可以这样理解，把图像经过meanshift迭代到相同值的像素聚为一类。（这段理解出自[https://www.cnblogs.com/liqizhou/archive/2012/05/12/2497220.html][https_www.cnblogs.com_liqizhou_archive_2012_05_12_2497220.html]）实现代码方法可参见该博主的博客。

--------------------

这里说一下我对该博主代码的理解，不对的话，欢迎大家在评论区批评指正。

该博主代码大部分我都能够理解，但是我不懂的部分时为什么“**把这个矩阵化为一维向量，再对这个向量进行meanshift**”？？？

function   re= mean_shift( ser,p)
        [m n]=size(ser);
        tmp=double(ser);
    
        pre_w=tmp(p);
        point=p;
        while 1
            ser=tmp-pre_w;
    
            for i=1:m*n
                if i ~= point
                    ser(i)=ser(i)/(i-point);            %i-point是距离，就是各种公式里的h
                end
            end
    
            ser=ser.^2;
            K=(1/sqrt(2*pi))*exp(-0.5*ser);         %传说中的核函数
            w=sum(tmp.*(K))/sum(K);
    
            if abs(w-pre_w)<0.01
                break;
            end
            pre_w=w; 
        end
     %   tmp1=abs(tmp-w);
     %   [i point]=min(tmp1);
        re=w;
     %   if max(tmp)-w<0.01
     %       point=0;
     %   end
     %   point=w;
    end

从mean\_shift函数中的循环内：

for i=1:m\*n  
if i ~= point  
ser(i)=ser(i)/(i-point); %i-point是距离，就是各种公式里的h  
end  
end

ser(i)代表中心像素与邻域像素的灰度差，ser(i)/(i-point)是为了根据邻域点到中心点的距离，设置不同的权重。比如一个5\*5的邻域应该用ser(i)除以对应的（距离中心点的距离），而不应该简单的用(i-point)作为邻域点到中心点的距离吧。

权重矩阵应该定义为：

![20200917111938136.png][]

下面放上我修改后的代码。（那位博主的代码也能实现均值飘移，且效果良好。而我的这个版本，就处理效果而言，都差不多）

main.m:

clear all;
    close all;
    clc;
    
    r=2;        %滤波半径
    k=2;        %权重矩阵的指数，k越大，最终图像的飘移程度越高
    img=imread('lena.jpg');      %灰度图像
    weight=matrix_weight(r,k);   %求权重矩阵
    weight=reshape(weight,[1 (2*r+1)^2]);
    imshow(img);
    img=double(img);
    [m n]=size(img);
    
    %为原图像加边框并赋值，为了解决矩阵模板的边界问题
    imgn=zeros(m+2*r+1,n+2*r+1);
    imgn(r+1:m+r,r+1:n+r)=img;
    imgn(1:r,r+1:n+r)=img(1:r,1:n); 
    imgn(1:m+r,n+r+1:n+2*r+1)=imgn(1:m+r,n:n+r);
    imgn(m+r+1:m+2*r+1,r+1:n+2*r+1)=imgn(m:m+r,r+1:n+2*r+1);
    imgn(1:m+2*r+1,1:r)=imgn(1:m+2*r+1,r+1:2*r);
    
    
    for i=1+r:m+r
        for j=1+r:n+r
            ser=imgn(i-r:i+r,j-r:j+r);
            ser=reshape(ser,[1 (2*r+1)^2]);         %将二维模板变为一维
            imgn(i,j)=mean_shift(ser,2*r^2+2*r+1);   %取模板最中间的那个值作为迭代初值
        
        end    
    end
    
    figure;
    imgn=imgn(r+1:m+r,r+1:n+r);
    imshow(mat2gray(imgn));

matrix\_weight.m:

function weight=matrix_weight(r,k)
    %k:对距离进行k次幂计算作为最终的权值
    weight=zeros(2*r+1,2*r+1);
    for i=1:2*r+1
    for j=
    weight(i,j)=(norm([i,j]-[r+1,j+1]))^k;
    end
    end
    end

[https_www.cnblogs.com_liqizhou_archive_2012_05_12_2497220.html]: https://www.cnblogs.com/liqizhou/archive/2012/05/12/2497220.html
[20200917111938136.png]: /images/20221123/de4b48794a18452fb6eb777eb386a208.png