K-Means 聚类算法输出黑白图像？快来了解原因和解决方法

2024-03-07 12:26:54

使用 K-Means 聚类算法进行图像颜色量化：常见问题及解决方法

引言

图像颜色量化是一项重要的图像处理技术，用于减少图像中的颜色数量，同时保持视觉相似性。K-Means 聚类算法是一种常用的颜色量化技术，然而，有时它可能会仅输出黑白图像，表明算法无法正确分配颜色。本文将探讨导致此问题的常见原因并提供解决方法，以帮助你充分利用 K-Means 聚类算法进行图像颜色量化。

K-Means 聚类算法仅输出黑白图像的原因

图像转换错误： 图像可能未从 RGB 颜色空间正确转换为 K-Means 算法所需的格式，例如 HSV 或 Lab 颜色空间。
不合适的集群数： 选择的集群数可能太少，无法表示图像中的颜色分布，导致算法将所有像素分配到少数几个类簇中。
数据归一化问题： 像素值可能未正确归一化到 [0, 1] 的范围内，这可能会影响聚类结果。
噪声和离群值： 图像中可能存在噪声或离群值像素，这可能会干扰聚类过程。

解决方法

1. 正确转换图像格式

确保图像从 RGB 颜色空间转换为 K-Means 算法所需的格式。例如，HSV 或 Lab 颜色空间更适合聚类，因为它们将颜色分量分开。

2. 选择合适的集群数

通过试验不同的集群数来确定最佳的集群数。集群数应足以表示图像中的颜色分布，但也不应过多以至于导致过度拟合。

3. 正确归一化数据

将像素值归一化到 [0, 1] 的范围内，以确保聚类过程不会受到像素值范围的影响。

4. 处理噪声和离群值

通过使用图像处理技术，如中值滤波或形态学操作，可以减少噪声和离群值像素的影响。

代码示例

import cv2
import numpy as np

# 读入图像
image = cv2.imread('image.jpg')

# 转换颜色空间
image_hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

# 提取 hue 通道
hue_channel = image_hsv[:, :, 0]

# 归一化数据
hue_channel = hue_channel.astype(np.float32) / 255.0

# 设置集群数
num_clusters = 8

# 进行 K-Means 聚类
_, labels, centers = cv2.kmeans(hue_channel.reshape(-1, 1), num_clusters, None, (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 1.0))

# 恢复图像颜色
quantized_image = centers[labels.flatten()]
quantized_image = quantized_image.reshape(image.shape)

# 转换回 BGR 颜色空间
quantized_image = cv2.cvtColor(quantized_image, cv2.COLOR_HSV2BGR)

# 保存输出图像
cv2.imwrite('quantized_image.jpg', quantized_image)