纹理分割

纹理分割课程设计报告
一，实验要求：
利用纹理特征，对图像中不同的纹理区域进行分割。

纹理区域的数目根据具体图像设定。

二，实验背景：
人们处在社会生产生活中，就需要认识和了解外部世界，而视觉感受正是了解和认识外部世界的主要方式。

物体的视觉信息主要包括：颜色、形状、纹理，其中纹理尤为重要。

在自然界的各种类型的图像中随处可以看到纹理的影子，如人的皮肤上有纹理，眼睛的虹膜也是纹理信息，舌头上的舌苔也是纹理。

提取纹理特征之后，就可以对物体进行相关描述。

对纹理的分析和把握是人类视觉找到目标区域的重要感知功能之一。

随着计算机技术、电子技术的快速发展和信息技术在人类社会生产、生活中的渗透，纹理分析在许多领域都有着重要的作用。

作为图像特征之一的纹理的分析在机器视觉系统中有着举足轻重的地位，通过纹理分析可以得到一些特征值或特征向量，对图像中物体进行简单、高效、实用的纹理量化描述。

在图像处理的初级阶段，可以根据每个区域的纹理特征将图像分割成若干有意义的各个连续的区域；在特征提取和分类阶段，根据纹理特征的不同可以辨别不同的物体目标。

草地，砖墙，天空，水波纹，多光谱遥感图像，海边的鹅卵石，细胞组织成像等，在这些图像中随处可见纹理特征。

虽然人们对纹理已经经历了很长时间的研究，纹理特征仍然不容易描述，对于自然纹理图像来说，要想描述它的复杂的纹理特征更是难上加难。

这是因为人类关于自身大脑对图像的形成模式方面知之甚少，而人类对纹理图形图像的感受，多半存在心理效应，并且纹理本身结构非常复杂。

随着图像在生活中的普及，纹理分析技术在计算机视觉、目标识别与自动监测、图像合成与分割、图像检索、遥感测量中起到越来越重要的作用。

而且提取的纹理特征的结果是后续对图像进行分割、分类的必要前提，这些问题非常重要的一个关键就是纹理特征的提取，因此纹理分析是图像分析的重要手段之一。

三，理论基础：
本实验采用K-均值聚类算法进行纹理分割
K均值算法先选K个初始类均值，然后将每个像素归入均值离它最近的类并计算新的类均值。

迭代执行前面的步骤直到新旧类均值之差小于某一阈值。

将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。

由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。

聚类分析又称群分析，它是研究（样品或指标）
分类问题的一种统计分析方法。

K-均值聚类算法是著名的划分聚类分割方法。

划分方法的基本思想是：给定一个有N个元组或者纪录的数据集，分裂法将构造K个分组，每一个分组就代表一个聚类，K<N。

而且这K个分组满足下列条件：（1）每一个分组至少包含一个数据纪录；（2）每一个数据纪录属于且仅属于一个分组；对于给定的K，算法首先给出一个初始的分组方法，以后通过反复迭代的方法改变分组，使得每一次改进之后的分组方案都较前一次好，而所谓好的标准就是：同一分组中的记录越近越好，而不同分组中的纪录越远越好。

K-均值聚类算法的工作原理：
K-means算法的工作原理：算法首先随机从数据集中选取K个点作为初始聚类中心，然后计算各个样本到聚类中的距离，把样本归到离它最近的那个聚类中心所在的类。

计算新形成的每一个聚类的数据对象的平均值来得到新的聚类中心，如果相邻两次的聚类中心没有任何变化，说明样本调整结束，聚类准则函数已经收敛。

本算法的一个特点是在每次迭代中都要考察每个样本的分类是否正确。

若不正确，就要调整，在全部样本调整完后，再修改聚类中心，进入下一次迭代。

这个过程将不断重复直到满足某个终止条件，终止条件可以是以下任何一个：
（1）没有对象被重新分配给不同的聚类。

（2）聚类中心再发生变化。

（3）误差平方和局部最小。

K-means聚类算法的一般步骤：
（1）从n个数据对象任意选择k 个对象作为初始聚类中心；
（2）循环（3）到（4）直到每个聚类不再发生变化为止；
（3）根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；
（4）重新计算每个（有变化）聚类的均值（中心对象），直到聚类中心不再变化。

这种划分使得下式最小
四，实验过程：
首先导入图像数据
img = im2double(imread('texture_1.bmp'));im2double能将图像转化为0-1的浮点数
原始图像如下
图像预处理：提取图像特征值，空间维度，灰度，纹理特征等数据。

我们使用11维特征向量的代表图像中的每个像素。

其中两个空间维度，一个灰度维度，8个纹理特征维度。

对图像做中值滤波后的低通特征显示如下图
lpimage = medfilt2(image, [11 11], 'symmetric');
lowpassimage
对图像做高斯滤波后图像纹理特征显示如下
textures
使用PCA做主成分降维
allfeatures = pca(allfeatures, 0.05);调用主成分分析函数PCA 实
现降维，得到降维之后的新纹理特征。

再随机的抽取百分之十的点，如果样本点少，我们要所有的样本点，如果样本点多，最多用10000点
分割步骤
1，在被采样图像之上使用k-means算法,仅计算随机采样点，设置群集数k=4. 2，使用质心区分剩余点
3，区分空间分类断开区域作为单独区域
显示分割结果
两次运行结果会有所不同。

选取另一张图片进行纹理分割，原图如下
图像低通特征
对图像做高斯滤波后图像纹理特征显示如下
lowpassimage
textures
选取K=5分割后结果如下
结果1 结果2
总结
（1）在 K-means 算法中需要事先给定的。

（2）在 K-means 算法中，首先需要根据初始聚类中心来确定一个初始划分，然后对初始划分进行优化。

（3） K-means算法需要不断地进行样本分类调整 不断地计算调整后的新的聚类中心 因此当数据量非常大时 算法的时间开销是非常大的。

（4）K-means算法对一些离散点和初始k值敏感，不同的距离初始值对同样的数据样本可能得到不同的结果。