how(I) figure imshow(newI) 1.5 、实验结果与分析实验得到的迭代后的分割阈值: 94.8064 分割效果图如下所示。图 1.5.1 原始图像图 1.5.2 分割后的图像 0 200 400 600 800 1000 1200 0 50 100 150 200 250 图 1.5.3 原始图像的灰度直方图实验分析: 对灰度图象的阈值分割就是先确定一个处于图像灰度取值范围内的灰度阈值, 然后将图像中每个像素的灰度值与这个阈值相比较。并根据比较的结果将对应的像素划分为两类,灰度值大于阈值的像素划分为一类, 小于阈值的划分为另一类, 等于阈值的可任意划分到两类中的任何一类。其中确定阈值是分割的关键。最优阈值的求得需要使用迭代算法。它将会影响到迭代的次数和结果精度。实验 2K 均值聚类算法 2.1 实验目的将模式识别方法与图像处理技术相结合,掌握利用 K 均值聚类算法进行图像分类的基本方法,通过实验加深对基本概念的理解。 2.2 实验仪器设备及软件 HP D538 、 MATLAB 、 WIT 2.3 实验原理 K 均值聚类法分为如下几个步骤: 一、初始化聚类中心 1、根据具体问题,凭经验从样本集中选出 C 个比较合适的样本作为初始聚类中心。 2、用前 C 个样本作为初始聚类中心。 3、将全部样本随机地分成 C 类,计算每类的样本均值,将样本均值作为初始聚类中心。二、初始聚类 1、按就近原则将样本归入各聚类中心所代表的类中。 2、取一样本,将其归入与其最近的聚类中心的那一类中,重新计算样本均值, 更新聚类中心。然后取下一样本,重复操作,直至所有样本归入相应类中。三、判断聚类是否合理采用误差平方和准则函数判断聚类是否合理, 不合理则修改分类。循环进行判断、修改直至达到算法终止条件。 2.4 实验步骤及程序实验步骤: 1 、读取原始图像,确定四个初始聚类中心。
全文预览
