使用“K-中心点聚类算法”对图像的像素点进行K类划分

实验要求：用VC或Java实现K-中心点聚类算法，分别以迭代次数及分配不再发生变化为算法终止条件，用图片（自己选择）作为数据集，比较运行时间（画出时间与像素点的关系曲线图），提交实验报告与源代码。

思路：图像处理(rgb2gray)->图像数据采集(生成灰度矩阵)->数据结构定义和程序设计->应用算法实现主程序->测试以及优化各个环节->记录实验结果->分析实验结果制作实验报告。

图像原型以及图像处理代码（使用了matlab进行处理）：在文件中可以下载浏览。

f=imread('D:\tree.jpg');                       % 读取图像;
f=rgb2gray(f);                                         %转换为灰度图
[x,y]=size(f);                                        % x,y为图像的行数和列数;
m=1800;n=2500;                                        % 手动定义子图像的行数和列数;
s=zeros(m,n);                                     % s表示子矩阵;  
rx=1:m:x;
cy=1:n:y;                                               % rx和cy是子图像左上角的坐标;
rowhigh=rx+m-1;                                   % rowhigh和colhigh是子图像历遍的终点，即为右下角的坐标;
colhigh=cy+n-1;
xcount=0;                                          % 设置x方向的计数器;
 for r=rx:rowhigh;                                 % rx,cy为子图像左上角的坐标;
    xcount=xcount+1;
    ycount=0;
    for c=cy:colhigh;
        ycount=ycount+1;
        s(xcount,ycount)=f(r,c);
    end
end
save(‘D:\tree.dat’,'s','-ASCII');              %保存为dat文件，后续程序使用该文件

因为目前像素点目前只有一个维度的特征——灰度，并且该维度是用一个字节大小的整型值来描述的，所以可以先统计在各个灰度值上像素点的个数，然后

再做算法分析，找出k个灰度中心点，划分为k个灰度范围。

预处理统计程序如下：

	//读入文件
	int t[256];
	for(int i=0;i<256;i++)t[i]=0;
	double c=0;
	fstream out;
	out.open("tree.dat",ios::in);
	if(!out)
	{cout<<"open fail\n";
	return;
	}
	while(!out.eof()){
		out>>c;               //从数据流读文件
		int a=(int)c;         //文件中的数值类型为double，这里进行一个转换作为数组下标
		t[a]++;                //统计在各个灰度值上的像素点的个数
	}
	out.close();
	fstream in;
	in.open("gray.dat",ios::out);
	if(!in)
	{cout<<"open fail\n";
	return;
	}
	for(int i=0;i<256;i++ ){in<<t[i];in<<" ";}
	in.close();

然后可以得到一个统计结果的文件，保存出来gray.dat（以后要用统计结果的话就方便些）。

数据结构定义和算法设计：

double tc=5000000000;    //当前代价
int t[256];    //灰度分布像素个数记录
int tt[256];    //各个灰度被分配的类号
int kk[256];   //中心点

代码：

#include<iostream>
#include<fstream>
#include<time.h>
#include<cstdlib>
using namespace std;

void swap(int i,int j);
int account(int k);//统计总代价比较并返回代价类内最小的点
void kstars(int k);            //分类
void show();            //显示结果
double tc=5000000000;                //当前代价
int t[256];                //灰度分布像素个数记录
int tt[256];                //各个灰度被分配的类号
int kk[256];            //中心点
void main()
{

    for(int i=0;i<256;i++)tt[i]=0;
    for(int i=0;i<256;i++)t[i]=0;
    double c=0;
    fstream out;
    out.open("tree.dat",ios::in);
    if(!out)
    {cout<<"open fail\n";
    return;
    }
            time_t begin = clock() ; // 记录开始时候的时间
    int pix=1000000;
    int n=0;
    while(pix>n&&!out.eof()){
        out>>c;               //从数据流读文件
        int a=(int)c;         //文件中的数值类型为double，这里进行一个转换作为数组下标
        t[a]++;                //统计在各个灰度值上的像素点的个数
        n++;
    }
    out.close();
    fstream in;
    in.open("gray.dat",ios::out);
    if(!in)
    {cout<<"open fail\n";
    return;
    }
    for(int i=0;i<256;i++ ){in<<t[i];in<<" ";}
    in.close();
    //分析数据集

// do something here 
    int k=3;
    kstars(k);
    //for(int i=0;i<256;i++ ){cout<<tt[i]<<" ";}
    cout<<endl;
    time_t end = clock() ; // 记录结束时间 
time_t cost = end - begin ; // 耗费时间 毫秒级
cout<<cost;
        int xx;
    cin>>xx;
}
int account(int k)//把所有点分类并求得总代价
{
    int sum=0;
    for(int i=0;i<256;i++)
    {
        int min=300;
        int temp=0;
        for(int j=0;j<k;j++)//找出最优中心点
        {
            temp=abs(kk[j]-i);
            if(temp<min)
            {
                min=temp;
                tt[i]=j;//将第i点分为j类
            }
            }
        sum+=min*t[i];//加到总代价
    }
    return sum;
}
void kstars(int k)
{
    for(int i=0;i<k;i++){
        srand(time(0));      //seed
       kk[i]=rand() % 256; 
    }
    int temp=0;
    for(int i=0;i<256;i++){
        for(int j=0;j<k;j++)
        {
            int kv=kk[j];
            kk[j]=i;//把i记为第j个中心点
            temp=account(k);
            if(tc>temp)
            {
                tc=temp;
            }
            else{
            kk[j]=kv;
            }
        }
    }
}