خوشه بندی تصاویر رنگی با الگوریتم k means در متلب

30,000تومان

توضیحات

خوشه بندی تصاویر رنگی با الگوریتم k means در متلب

در  این پست یک نمونه خوشه بندی تصاویر رنگی با الگوریتم k means در متلب را برایتان فراهم ساخته ایم. در این روش الگوریتم k- means  پیکسل های تصویر را به یک تا 10 خوشه تبدیل می کند. و هر بار در یک شکل مجزا نمایش داده می شود.

الگوریتم k means

الگوریتم k میانگین یکی از معروف ترین الگوریتم های خوشه بندی و طبقه بندی است که نه تنها برای تصاویر بلکه برای داده های مختلف به کار می رود و کاربردهای زیادی دارد.

الگوریتم خوشه‌بندی k-mean را می‌توان به‌ صورت ذیل بیان نمود.

١- در ابتدا و به صورت تصادفی هر کدام از نمونه‌ها به یکی از k تعداد خوشه اختصاص داده می‌شود.

٢- مرکز هر کدام از خوشه‌ها محاسبه می‌شود.

٣- تا زمانی که خوشه‌ها به وضعیت ثابت نرسیده‌اند:

٣-١- به تعداد نمونه‌ها، فاصله بین هر نمونه و مراکز (به تعداد k مرکز) محاسبه می‌شود.

٣-٢- اگر نمونه به مرکز دیگری نزدیک‌تر باشد، برچسب آن نمونه به مرکز جدید تغییر داده می‌شود.

٣-٣- دوباره مراکز جدید تعیین می‌شوند.

٣-۴- این کار تا زمانی انجام می‌شود که تغییری دیگر در مراکز رخ ندهد (تابع خطا حداقل شود).

۴- در این صورت پایان خوشه‌بندی انجام خواهد پذیرفت.

این روش در عین سادگی یکی از پرکاربردترین روش های خوشه بندی است. در این پست نیز خوشه بندی تصاویر به وسیله الگوریتم کامینز انجام شده است و تغییر رنگ و خوشه بندی  تصویر با الگوریتم کامینز  انجام شده است. شما می توانید تصاویر خروجی را از قسمت تصاویر مشاهده کنید.

در الگوریتم Kmeans ابتدا k عضو (که k تعداد خوشه‌ها است) بصورت تصادفی از میان n عضو به عنوان مراکز خوشه‌ها انتخاب می‌شود. سپس n-k عضو باقیمانده به نزدیک‌ترین خوشه تخصیص می‌یابند. بعد از تخصیص همه اعضا مراکز خوشه مجدداً محاسبه می‌شوند و با توجه به مراکز جدید به خوشه‌ها تخصیص می‌یابند و این کار تا زمانی که مراکز خوشه‌ها ثابت بماند ادامه می‌یابد.

نقد و بررسی ها

هیچ دیدگاهی برای این محصول نوشته نشده است .

اولین کسی باشید که دیدگاهی می نویسد “خوشه بندی تصاویر رنگی با الگوریتم k means در متلب”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *