[发明专利]一种基于改进K‑means算法的颜色提取方法

说明书

技术领域

本发明属于计算机图像处理技术领域，涉及一种颜色提取算法。

背景技术

近些年来，随着人工智能的飞速发展，人们的生活变得越来越便利，而图像识别技术作为人工智能的重要组成部分，被研究人员倍加重视。图像识别是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。在图像识别技术的研究领域，以图像形状和大小为研究对象的文献较多，而颜色作为图像的重要特征，相关参考文献却相对较少。但在现实生活中，对图像颜色的识别却是至关重要的。

通过对传统K-means算法的研究发现，该算法在颜色提取方面，最需要解决的是聚类精度的问题。造成这一问题的主要原因是聚类初始点的选取和均值迭代造成聚类结果以偏概全，导致最后得到的结果往往不能有效概括图片的特性，或是没有提取出较为醒目的区域颜色。

发明内容

本发明的目的是克服现有技术的上述不足，提供一种基于改进K-means算法的颜色提取方法。本发明基于密度优化最终聚类结果，通过HSV色彩空间模型的颜色相似性来判断最终聚类结果是否能够有效代表其所在簇中所有点的颜色信息。技术方案如下：

一种基于改进K-means算法的颜色提取方法，包括下列步骤：

1)选取RGB颜色空间模型，对图片像素点数据进行归一化处理；

2)利用K-means随机选取初始聚类中心的方法进行聚类；

3)分析HSV空间模型，计算颜色相似度阈值；

4)以颜色相似度阈值为判断条件，分析步骤2)的K-means算法的聚类结果，若步骤二的聚类结果中某一簇中的点与聚类中心在颜色相似度大于阈值的点超过该簇数据总量的25％则认为合格；若没有则认为不合格；

5)在不合格的簇中，找出与其他点的颜色相似度大于阈值最多的点，并将该点作为一个新的聚类中心，与新聚类中心相似度大于阈值的点作为这个新簇的成员点，计算平均值作为最终的聚类中心；

6)在原来的旧簇中去除掉步骤5)所产生新簇的点，剩余的点构成另一个新簇，用均值作为聚类中心，重复步骤2)-5)，但阈值保持原有量不随之减少，直至没有新的簇产生，剩余点作为噪声点抛出；

7)输出聚类结果。

本发明的有益效果如下：

1.本发明提出一种通过密度优化聚类结果的方法，取消了均值迭代在聚类结果上的决定地位，提高了K-means聚类在图像颜色提取方面的精度。

2.本发明将基于密度的思想用于处理最终的聚类结果，缩小了密度算法所处理的数据集大小，相较传统的基于密度的改进思想在运行速度上也有很大的优化。

附图说明

图1本发明的流程图。

具体实施方式

传统K-means算法对初始聚类中心比较敏感，因此初始点选取的随机性就直接影响了聚类的准确性和稳定性。本实施例以电影海报为例，电影海报用色丰富，为了得到更好的视觉体验，海报上的颜色之间有着较好的过渡，导致它的RGB数据和传统用于数据挖掘的数据相比，具有低维度且分布较为均匀的特点。所以传统的K-means改进算法在用于提取电影海报主色时无法取得很好的效果，本文就是针对RGB数据的这种特性，提出了基于密度的聚类结果优化算法。

1颜色空间的选择

通常利用K-means对图像颜色进行聚类，使用的空间模型有RGB颜色空间、HSI颜色空间、HSV颜色空间和Lab颜色空间等，各颜色空间在聚类方面各有优缺点。

对比RGB，其余三个颜色空间都需要进行相应的空间转换，计算相对复杂，以HSV为例，HSV颜色空间模型由三种属性表示。其中H表示色调，取值为0°～360°；S表示饱和度，指同种颜色的深浅程度；V表示亮度，指颜色的明暗程度，取值为0～1，其中最暗为0，最亮为1。RGB空间到HSV空间的转换的过程为，首先将r，g，b归一化到0到1之间的数，然后按照如下公式进行转化：

max＝max(r，g，b)；min＝min(r，g，b)；

mid＝v-min；

令

如果r＝max&g＝min，h＝(5+b')×60；

如果r＝max&g≠min，h＝(1-g')×60；

如果g＝max&b＝min，h＝(1+r')×60；

如果g＝max&b≠min，h＝(3-b')×60；

如果b＝max&r＝min，h＝(3+g')×60；

其他情况h＝(5-r')×60；