Kmeans ——K均值聚类

K-means聚类算法采用的是将N*P的矩阵X划分为K个类，使得类内对象之间的距离最小,而类之间的距离最大。
matlab自带Kmeans 函数

使用方法：
Idx=Kmeans(X,K)
[Idx,C]=Kmeans(X,K)
[Idx,C,sumD]=Kmeans(X,K)
[Idx,C,sumD,D]=Kmeans(X,K)
[…]=Kmeans(…,’Param1’,Val1,’Param2’,Val2,…)


各输入输出参数介绍：


X N*P的数据矩阵
K 表示将X划分为几类，为整数
Idx N*1的向量，存储的是每个点的聚类标号
C K*P的矩阵，存储的是K个聚类质心位置
sumD 1*K的和向量，存储的是类间所有点与该类质心点距离之和
D N*K的矩阵，存储的是每个点与所有质心的距离

[…]=Kmeans(…,'Param1',Val1,'Param2',Val2,…)
这其中的参数Param1、Param2等，主要可以设置为如下：

1. ‘Distance’(距离测度)
‘sqEuclidean’ 欧式距离（默认时，采用此距离方式）
‘cityblock’ 绝度误差和，又称：L1
‘cosine’ 针对向量
‘correlation’   针对有时序关系的值
‘Hamming’ 只针对二进制数据

2. ‘Start’（初始质心位置选择方法）
‘sample’ 从X中随机选取K个质心点
‘uniform’ 根据X的分布范围均匀的随机生成K个质心
‘cluster’ 初始聚类阶段随机选择10%的X的子样本（此方法初始使用’sample’方法）
matrix 提供一K*P的矩阵，作为初始质心位置集合

3. ‘Replicates’（聚类重复次数）   整数

%%%%%%%%%%%%%%%%%%%%
图片处理的一个实例：

clc
clear all
close all
video=mmreader('che2.AVI');
I1=read(video,589);
%I2=read(video,590);
% I1=rgb2gray(I1);
% I2=rgb2gray(I2);
he=I1;
figure,imshow(he), title('Your Image');
text(size(he,2),size(he,1)+15,...
     'DIA-SA07006042-ZhangM,USTC', ...
     'FontSize',7,'HorizontalAlignment','right');
 
%Step 2: Convert image from RGB color space to L*a*b* color space
cform = makecform('srgb2lab');
lab_he = applycform(he,cform);
%lab_he=rgb2hsi(he);
 
%Step 3: Classify the colors in 'a*b*' space using K-means clustering
ab = double(lab_he(:,:,2:3));
nrows = size(ab,1);
ncols = size(ab,2);
ab = reshape(ab,nrows*ncols,2); % 把ab变成nrows*ncols行2列
 
N=3; %How many color there are in the image.
nColors = N;
% repeat the clustering 3 times to avoid local minima
[cluster_idx,cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean', ...
                                      'Replicates',N);
                                 
  m=4;                                
%Step 4: Label every pixel in the image using the results from kmeans
pixel_labels = reshape(cluster_idx,nrows,ncols);
figure,imshow(pixel_labels,[]), title('image labeled by cluster index'); 
 
%Step 5: Create images that segment the H&E image by color.
segmented_images = cell(1,N);
rgb_label = repmat(pixel_labels,[1 1 N]);
 
for k = 1:nColors
    color = he;
    color(rgb_label ~= k) = 0;
    segmented_images{k} = color;
end 

 figure,
subplot(131),imshow(segmented_images{1}), title('objects in cluster 1');
subplot(132),imshow(segmented_images{2}), title('objects in cluster 2');
subplot(133),imshow(segmented_images{3}), title('objects in cluster 3');