我正在尝试根据像素值分离灰度图像：假设一个 bin 中的像素从 0 到 60，另一个 bin 中的像素为 60-120，另一个中的像素为 120-180 ...，依此类推，直到 255。范围大致是在这种情况下是等距的。 但是，通过使用 K-means 聚类，是否有可能更实际地测量我的像素值范围应该是什么？试图一起获得相似的像素，而不是在像素浓度较低的地方浪费垃圾箱。
编辑（包括获得的结果）：
k-means with no of cluster = 5
【问题讨论】：
标签： algorithm image image-processing opencv k-means
当然，K-Means 可以用于颜色量化。这非常方便。
我们看Mathematica中的一个例子：
我们从灰度 (150x150) 图像开始：
让我们看看用8位表示图像时有多少灰度：
ac = ImageData[ImageTake[i, All, All], "Byte"];
First@Dimensions@Tally@Flatten@ac
-> 234
好的。让我们减少这 234 个级别。我们的第一个尝试是让算法单独确定默认配置下有多少集群：
ic = ClusteringComponents[Image@ac];
First@Dimensions@Tally@Flatten@ic
-> 3
它选择了3个簇，对应的图像是：
现在，是否可以，或者您需要更多集群，由您决定。
假设您决定需要更细粒度的分色。让我们要求 6 个集群而不是 3 个：
ic2 = ClusteringComponents[Image@ac, 6];
Image@ic2 // ImageAdjust
结果：
这里是每个 bin 中使用的像素范围：
Table[{Min@#, Max@#} &@(Take[orig, {#[[1]]}, {#[[2]]}] & /@
Position[clus, n]), {n, 1, 6}]
-> {{0, 11}, {12, 30}, {31, 52}, {53, 85}, {86, 134}, {135, 241}}
以及每个bin中的像素数：
Table[Count[Flatten@clus, i], {i, 6}]
-> {8906, 4400, 4261, 2850, 1363, 720}
所以，答案是肯定的，而且很简单。
编辑
也许这将帮助您了解您在新示例中做错了什么。
如果我对你的彩色图像进行聚类，并使用聚类数来表示亮度，我得到：
这是因为星团没有按亮度升序编号。
但是如果我计算每个簇的平均亮度值，并用它来表示簇值，我得到：
在我之前的示例中，这不是必需的，但这只是运气：D（即按亮度升序找到集群）
【讨论】：
k-means 可以应用于您的问题。如果是我，我会首先尝试从决策树中借鉴的基本方法（尽管“更简单”取决于您的精确聚类算法！）
假设存在一个 bin，开始将像素强度填充到 bin 中。当箱“足够满”时，计算箱（或节点）的均值和标准差。如果标准偏差大于某个阈值，则将节点分成两半。继续此过程，直到完成所有强度，您将获得更有效的直方图。
这个方法当然可以通过额外的细节来改进：
当然，如果您已经应用了上述所有“改进”，那么您基本上已经实现了 k-means 聚类算法的一种变体；-)
注意：我不同意上面的评论 - 你描述的问题似乎与直方图均衡化没有密切关系。
【讨论】：