颜色聚类
一、顏色聚類的優(yōu)點(diǎn)
分析自然場(chǎng)景文本的特點(diǎn)可得，在一個(gè)文本區(qū)域內(nèi)部，一般一個(gè)字符內(nèi)部的顏色變化不大。對(duì)于一幅24位RGB彩色圖，需要處理的顏色范圍達(dá)到 。顯然，大范圍、高精度的顏色對(duì)于文本定位來說是沒有必要的，所以本章先用顏色聚類的方式來縮小顏色空間的范圍，增大各個(gè)顏色間的距離，以便于后續(xù)連通域提取。
如圖3. 2所示圖(a)是原圖，圖(b)是對(duì)應(yīng)的RGB顏色空間三維散點(diǎn)圖，圖(c)是聚類后的圖像，圖(d)是圖(c)對(duì)應(yīng)的散點(diǎn)圖，圖(a)中文本和背景的顏色混成一團(tuán)難以分割，而圖(d)中可以明顯看到兩部分不同的顏色團(tuán)的間隙，而這兩部分顏色分別對(duì)應(yīng)的是文本和背景。目前顏色聚類的方法有很多，不同的方法適用于解決不同的問題。下面首先分析對(duì)比了目前主流的方法，然后從效果、時(shí)間、參數(shù)設(shè)定等各個(gè)方面考慮，選取適用于文本定位的方法。 (a) 原圖 (b) 圖(a)的顏色散布圖 (c) 圖(a)聚類后的圖 (d) 圖(c)的顏色散布圖 圖3. 2聚類增大顏色距離示意圖。
?
?
二、 顏色聚類方法
聚類是對(duì)數(shù)據(jù)的一種聚集，是將類似的數(shù)據(jù)聚成一類。聚類是一種無監(jiān)督的分類方式，其優(yōu)點(diǎn)在于不需要預(yù)先的訓(xùn)練過程。目前比較常用的聚類方式有K-means，混合高斯模型 (Gaussian Mixture Models，GMM)，Mean shift等。
1. K-means算法
K-means是比較簡(jiǎn)單又常用的聚類算法，k表示的是聚類中心的個(gè)數(shù)，每個(gè)類是由相應(yīng)的聚類中心來表示。K-means算法包括四個(gè)步驟：
(1) 隨機(jī)選擇初始的聚類中心。
(2) 把每個(gè)目標(biāo)分配給最近的中心（最近的度量指的是目標(biāo)到中心的歐式距離）。
(3) 根據(jù)上一步聚好的類，重新計(jì)算聚類中心（所有點(diǎn)到上一步中心的平均值）。
(4) 重復(fù)(2)直到聚類中心不再發(fā)生變化。 K-means 的優(yōu)點(diǎn)是簡(jiǎn)單快速并且能夠很容易的實(shí)現(xiàn)，其缺點(diǎn)是K值需要人工設(shè)定，另外對(duì)于離群點(diǎn)太過敏感。
2. GMM算法
GMM用于聚類是基于這樣的假設(shè)即數(shù)據(jù)空間的數(shù)據(jù)是由多個(gè)高斯模型生成的。GMM解決的問題是根據(jù)數(shù)據(jù)空間的數(shù)據(jù)來估計(jì)多個(gè)高斯模型的參數(shù)，然后根據(jù)這些參數(shù)確定高斯模型[33]。一旦高斯模型確定了，那么數(shù)據(jù)的聚類中心也就確定了。
假設(shè)數(shù)據(jù)空間中的數(shù)據(jù)符合高斯混合模型即：
(3.1)
其中?是聚類中心的個(gè)數(shù)，?代表的是高斯模型之間的權(quán)值并且符合?。其中?符合下式：
(3.2)
其中?和?分別代表的是第?個(gè)聚類中心的均值和方差。那么需要根據(jù)數(shù)據(jù)來估計(jì)GMM的參數(shù)為?。估計(jì)GMM的參數(shù)的算法為EM算法。EM算法分為兩步，在E步假設(shè)參數(shù)?是已知的，根據(jù)最大似然來估計(jì)每個(gè)高斯模型的權(quán)值。在M步對(duì)E步得到的結(jié)果重新估計(jì)參數(shù)，然后不斷迭代地使用EM步驟，直到收斂。
GMM用于聚類的優(yōu)點(diǎn)是最后得到的結(jié)果是數(shù)據(jù)屬于某個(gè)類的概率，其缺點(diǎn)是要先確定聚類中心的個(gè)數(shù)。
3. Mean shift算法
Mean shift的目標(biāo)是根據(jù)給定的數(shù)據(jù)尋找概率密度的局部最大值。Mean-shift主要包括四個(gè)步驟：
(1) 隨機(jī)選擇若干個(gè)感興趣區(qū)域。
(2) 計(jì)算感興趣區(qū)域數(shù)據(jù)的中心 。
(3) 移動(dòng)區(qū)域到新的中心。
(4) 不斷計(jì)算直到收斂。
Mean shift的數(shù)學(xué)定義如下：
? ????(3.3)
其中，?為核函數(shù)加權(quán)下的Mean shift代表的是均值向量移動(dòng)的方向，?是感興趣區(qū)域的中心，?表示的是核函數(shù)，?表示的是帶寬。在算法中，首先確定Mean shift的起點(diǎn)為感興趣區(qū)域的中心?，然后計(jì)算Mean shift 向量的終點(diǎn)式3.3中的第一項(xiàng)。然后將感興趣區(qū)域的中心移動(dòng)到向量的終點(diǎn)，重新計(jì)算Mean shift，當(dāng)式(3.4)滿足時(shí)，結(jié)束移動(dòng)，這時(shí)中心就收斂到數(shù)據(jù)空間中局部最大值。
?????? ?(3.4)
???? Mean shift的思想是將數(shù)據(jù)點(diǎn)分配給隱含概率密度函數(shù)的某個(gè)模型。它的優(yōu)點(diǎn)是聚類的類別數(shù)不需要預(yù)先知道并且聚類的結(jié)構(gòu)可以是任意的，它的缺點(diǎn)是計(jì)算復(fù)雜度太高。
4. Quick shift算法
Quick shift是由Mean shift改進(jìn)而來的。Quick shift改進(jìn)了計(jì)算復(fù)雜度太高這一缺點(diǎn)，它不需要使用梯度來尋找概率密度的模式，而僅僅是將每個(gè)點(diǎn)移動(dòng)到使概率密度增加的最近的點(diǎn)來獲得。公式如下：
? (3.5)
其中?代表的是特征空間中點(diǎn)的下一個(gè)位置，?代表的是兩點(diǎn)之間的距離，?是核函數(shù)，一般選擇高斯核函數(shù)，?是特征空間中點(diǎn)的個(gè)數(shù)。通過不斷移動(dòng)，所有點(diǎn)連成了一顆樹，再通過一定的閾值將樹分割成一個(gè)森林，這樣森林里的每棵樹就是一個(gè)聚類。特征空間是一個(gè)五維空間，包含轉(zhuǎn)換到Lab空間的三個(gè)顏色分量和兩個(gè)空間位置信息。
Quick shift繼承了Mean shift的優(yōu)點(diǎn)，不需要指定聚類中心，但同時(shí)改進(jìn)了其速度慢的缺點(diǎn)。
轉(zhuǎn)載：https://www.cnblogs.com/dawnminghuang/p/4725661.html
總結(jié)
