基于Gabor纹理特征与K-means聚类的图像分割（Matlab实现）

一、算法原理与流程

本方案结合Gabor滤波器 的纹理特征提取能力和K-means聚类的无监督分类特性，实现图像分割。核心流程如下：

1. 图像预处理：灰度化、归一化。
2. Gabor滤波器组设计：多方向、多尺度的Gabor滤波器生成。
3. 纹理特征提取：对每个滤波器输出进行高斯平滑。
4. 特征融合：添加空间坐标信息，构建高维特征向量。
5. K-means聚类：基于特征向量对像素进行聚类。
6. 可视化：将聚类结果映射为分割图像。

---

二、关键步骤实现（Matlab代码）

1. 图像预处理

% 读取图像并转换为灰度图
img = imread('kobi.png'); % 输入图像
img = imresize(img, 0.25); % 缩小图像加速处理
grayImg = rgb2gray(img); % 转换为灰度图
figure; imshow(grayImg); title('原始灰度图');

2. Gabor滤波器组设计

% 定义Gabor滤波器参数
imageSize = size(grayImg);
numRows = imageSize(1);
numCols = imageSize(2);
wavelengthMin = 4 / sqrt(2); % 最小波长
wavelengthMax = hypot(numRows, numCols); % 最大波长（图像对角线长度）
n = floor(log2(wavelengthMax / wavelengthMin)); % 波长数量
wavelength = 2.^(0:(n-2)) * wavelengthMin; % 波长序列（几何级数）
deltaTheta = 45; % 方向步长（度）
orientation = 0:deltaTheta:(180 - deltaTheta); % 方向序列（0~180度）

% 生成Gabor滤波器组
g = gabor(wavelength, orientation);

3. 纹理特征提取

% 对灰度图进行Gabor滤波
gabormag = imgaborfilt(grayImg, g); % 输出为复数矩阵（实部+虚部）

% 对每个滤波器结果进行高斯平滑（抑制局部噪声）
for i = 1:numel(g)
    sigma = 0.5 * g(i).Wavelength; % 高斯核标准差与波长相关
    gabormag(:,:,i) = imgaussfilt(gabormag(:,:,i), 3 * sigma); % 平滑处理
end

4. 特征融合与归一化

% 构建特征集：Gabor幅度 + 空间坐标
[X, Y] = meshgrid(1:numCols, 1:numRows); % 空间坐标网格
featureSet = cat(3, gabormag, X, Y); % 合并特征（24个Gabor通道 + 2个空间通道）

% 将特征向量展平为矩阵（每行对应一个像素）
[numPoints, numFeatures] = size(featureSet);
X = reshape(featureSet, numPoints, numFeatures);

% 归一化（零均值，单位方差）
X = bsxfun(@minus, X, mean(X));
X = bsxfun(@rdivide, X, std(X));

5. K-means聚类

% 设置聚类参数
numClusters = 2; % 聚类数目（根据场景调整）
options = statset('MaxIter', 1000, 'Display', 'final'); % 优化参数

% 执行K-means聚类
[idx, centers] = kmeans(X, numClusters, 'Options', options, 'Replicates', 5);

% 将聚类结果重塑为图像尺寸
segmentedImg = reshape(idx, numRows, numCols);
figure; imshow(label2rgb(segmentedImg)); title('K-means分割结果');

6. 可视化优化

% 将聚类结果与原始图像叠加
segmentedOverlay = label2rgb(segmentedImg, 'jet', 'k', 0.5);
figure; imshowpair(img, segmentedOverlay, 'montage');
title('原始图像与分割结果叠加');

---

三、关键参数说明

参数	作用	典型值/范围
wavelength	控制Gabor滤波器的频率敏感度，波长越长，捕捉低频纹理（如大面积色块）	几何级数（如4,8,16）
orientation	定义滤波器方向，覆盖不同纹理方向（如水平、垂直、对角线）	0°~180°，步长45°
sigma（高斯平滑）	抑制局部噪声，避免小区域噪声干扰	3倍波长
numClusters	分割区域数量，需根据图像复杂度调整	2~10

---

四、改进与优化

1. 多尺度特征增强： 增加Gabor滤波器的波长范围（如从2到图像最大边长），捕捉更多尺度纹理。

2. 方向优化： 使用更细粒度的方向采样（如步长15°），提升对复杂纹理的区分能力。

3. 特征选择：

   通过主成分分析（PCA）降维，保留主要特征分量，减少计算量：

   [coeff, score] = pca(X);
   X_reduced = score(:, 1:10); % 保留前10个主成分

4. 动态聚类数目：

   使用肘部法则（Elbow Method）自动确定最佳聚类数目：

   silhouetteScores = zeros(1, 10);
   for k = 2:10
       [~, ~, ~, silhouetteScores(k)] = silhouette(X, kmeans(X, k));
   end
   optimalK = find(silhouetteScores == max(silhouetteScores));

---

参考代码 采用gabor提取出图像纹理特征，最后采用k-means方法聚类进行图像分割 www.youwenfan.com/contentcsp/98030.html

五、应用场景

1. 自然场景分割： 分离草地、天空、建筑物等不同纹理区域（如示例中的狗与浴室地板分割）。
2. 工业检测： 识别产品表面缺陷（如划痕、裂纹），通过纹理异常实现缺陷定位。
3. 医学图像分析： 分割CT/MRI图像中的器官组织，利用不同组织的纹理特性进行区分。

---

六、注意事项

1. 计算效率： Gabor滤波器组和K-means聚类计算量大，建议对大图像分块处理或使用GPU加速。
2. 噪声敏感度： 若图像噪声严重，需在滤波前增加去噪步骤（如非局部均值去噪）。
3. 参数调优： 通过交叉验证调整波长、方向数量及高斯平滑参数，避免过拟合或欠拟合。

---

七、完整代码示例

%% 基于Gabor和K-means的图像分割
clear; clc; close all;

% 读取图像
img = imread('kobi.png');
img = imresize(img, 0.25);
grayImg = rgb2gray(img);
figure; imshow(grayImg); title('原始灰度图');

% Gabor滤波器参数
imageSize = size(grayImg);
wavelengthMin = 4 / sqrt(2);
wavelengthMax = hypot(imageSize);
n = floor(log2(wavelengthMax / wavelengthMin));
wavelength = 2.^(0:(n-2)) * wavelengthMin;
deltaTheta = 45;
orientation = 0:deltaTheta:(180 - deltaTheta);
g = gabor(wavelength, orientation);

% Gabor滤波与平滑
gabormag = imgaborfilt(grayImg, g);
for i = 1:numel(g)
    sigma = 0.5 * g(i).Wavelength;
    gabormag(:,:,i) = imgaussfilt(gabormag(:,:,i), 3*sigma);
end

% 特征融合
[X, Y] = meshgrid(1:size(grayImg,2), 1:size(grayImg,1));
featureSet = cat(3, gabormag, X, Y);
X = reshape(featureSet, [], size(featureSet,3));

% 归一化与K-means
X = bsxfun(@minus, X, mean(X));
X = bsxfun(@rdivide, X, std(X));
numClusters = 2;
[idx, ~] = kmeans(X, numClusters, 'Replicates', 5);

% 可视化
segmentedImg = reshape(idx, size(grayImg));
figure; imshow(label2rgb(segmentedImg)); title('分割结果');

---

八、参考文献

1. Image Processing Toolbox™官方示例：基于Gabor滤波的纹理分割

2. CSDN博客：Gabor滤波器与K-means结合的分割方法

3. MATLAB文档：imsegkmeans函数详解

4. IEEE论文：Gabor特征在纹理分割中的应用