基于K-means算法的RGB彩圖提取方法案例分析在灰度圖像上進(jìn)行圖像分割，灰度值相近的不同物體在聚類時(shí)難免會(huì)造成混淆導(dǎo)致圖像分割不清晰。紅外圖像將不同溫度由不同的顏色顯示出來(lái)，因此，本課題又提出一種基于彩色特征進(jìn)行電力設(shè)備及高溫區(qū)域的分割方法。1）K-means原理K-means聚類算法是一種比較基本的聚類劃分算法，由J.B.MacQueen于1967年首次提出，并歷經(jīng)40多年的研究和發(fā)展，已經(jīng)在紅外圖像分割中扮演者一個(gè)重要的角色。K-means算法的原理是將圖片分成n個(gè)樣本后從n個(gè)樣本中選取k個(gè)樣本作為初始聚類中心，對(duì)于剩下的樣本計(jì)算樣本與各個(gè)聚類中心的距離（歐氏距離，假設(shè)圖像中有兩個(gè)點(diǎn)A（x1，y1,），B（x2，y2），deK-means算法是一個(gè)利用計(jì)算機(jī)的高性能、運(yùn)算速度快的特性對(duì)算法進(jìn)行迭代的過(guò)程，再將迭代的數(shù)據(jù)進(jìn)行分類整理，利用紅外圖像顏色的差異將圖像分為幾個(gè)不同的類別，相近顏色的類別歸為一類，從而將需要的部分給提取出來(lái)。圖1-15K-means聚類算法流程圖一幅RGB彩圖可以將他看成一個(gè)矩陣，假設(shè)紅外圖像的尺寸為i×j，則認(rèn)為矩陣?yán)镉衖×j個(gè)元素，每個(gè)元素都可以表示為（x,y,z)，矩陣中的每個(gè)元素都代表著這一部分的顏色，即x代表紅色色度，y代表綠色色度，z代表紅色色度，這樣就完成了圖像數(shù)字化，將圖像中各個(gè)像素的顏色利用歐氏距離分類，像素越高，精度越高。聚類的測(cè)度函數(shù)使用各個(gè)點(diǎn)在坐標(biāo)系上數(shù)值（x，y，z值）之和，具體步驟如下：(1)在Matlab中利用Imread指令讀取紅外熱圖像；(2)設(shè)定k值，即聚類數(shù)量；(3)初始化聚類中心為任意k個(gè)點(diǎn)，設(shè)第n個(gè)聚類中心為，；(4)選擇一任意點(diǎn)，分別對(duì)k個(gè)聚類中心計(jì)算，選擇dk值最小點(diǎn)與相應(yīng)的聚類中心方向聚為一類；(5)計(jì)算這個(gè)點(diǎn)與聚類中所有點(diǎn)之和的平均值作為新的聚類中心，并不斷重復(fù)這個(gè)過(guò)程，直到誤差小于為止，具體如下：①假設(shè)m是聚類的點(diǎn)個(gè)數(shù)，Cm是某一聚類的聚類中心。rm=(i,j,1)，gm=(i,j,2)，bm=(i,j,3)。（式129）②計(jì)算（式130）③當(dāng)與距離小于時(shí)，認(rèn)定Cm為聚類中心，否則返回第(4)步，直到差小于為止。2）K-means分割結(jié)果與分析如圖所示，利用K-means算法將紅外圖像聚類成k個(gè)顏色特征的集合。當(dāng)k值越高時(shí)，聚類后的圖像相似度越來(lái)越趨近于原圖。分析前K=3K=5K=7K=10原圖灰度圖圖1-16K-means算法實(shí)例K-means算法的核心思想是將數(shù)據(jù)集通過(guò)迭代過(guò)程分成不同類別，使其不斷向標(biāo)準(zhǔn)測(cè)度函數(shù)收斂，具有簡(jiǎn)單便捷、對(duì)于大數(shù)據(jù)集效率高的優(yōu)點(diǎn)。當(dāng)類與類之間分布密集且類與類之間具有較大差異時(shí)K-me