MATLAB meanshift图像聚类

　　关于这个meanshift，一来可以用来作为目标跟踪，二来可以用来进行图像聚类。我这里只实现了图像聚类，当然，是按自己的理解编写的程序。至于目标跟踪将来一定也是要实现的，因为我最初看这个算法的原因就是想用他来跟踪目标的。

　　meanshift的基本原理我就不介绍了，比起我的介绍，网上有不少牛人们比我解释的好，最后我会列出我参考的文章。我这里说一下我是怎么理解meanshift图像聚类的。这里的聚类也像过去的滤波一样，需要一个模板矩阵，不过这个模板不是事先设置好的矩阵，而是在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。

　　我这里使用的是灰度图像，至于彩色图像，我看到一篇博客上把rgb域转换到luv域上再去做处理，这个我就不太清楚了，不过我看他的代码其中有一部分很像均值滤波。虽然我没有和他用一样的方法，不过他的代码也可以参考一下。

　　下面是代码（这都是我自己的理解，不能保证都正确，不过至少可以为你的编码提供一些思路）：

main.m

clear all;
close all;
clc;

r=2;        %滤波半径
img=imread('lena.jpg');
imshow(img);
img=double(img);
[m n]=size(img);

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);
imshow(mat2gray(imgn))

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));

meanshift.m

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

处理的效果：

原图

半径为2处理的效果

——————————下面是后续添加————————————

上一部分的meanshift图像聚类还需修改，下面实现最简单的meanshift算法，完全按照原理来。

最后的参考文献都是很好的总结，不过这次我是参考的《图像处理、分析与机器视觉（第3版）》这本书。

下面是通常所见的迭代效果：

程序如下：

clear all; close all; clc;

%测试数据
mu=[0 0];  %均值
S=[30 0;0 35];  %协方差
data=mvnrnd(mu,S,300);   %产生300个高斯分布数据
plot(data(:,1),data(:,2),'o');

h=3;    %核的大小
x=[data(1,1) data(1,2)];    %以第一个数据为迭代初值
pre_x=[0 0];

hold on
while norm(pre_x-x)>0.01;
    
    pre_x=x;
    plot(x(1),x(2),'r+');
    u=0;        %分子累加项
    d=0;        %分母累加项
    for i=1:300
        %最关键的两步，均值位移公式实现
        k=norm((x-data(i,:))/h).^2;        
        g=(1/sqrt(2*pi))*exp(-0.5*k);
        
        u=data(i,:)*g+u;
        d=g+d;
    end
    M=u/d;      %迭代后的坐标位置
    x=M;
 
end