我正在尝试根据像素值分离灰度图像：假设一个 bin 中的像素为 0 到 60，另一个 bin 中的像素为 60-120，120-180 ...依此类推，直到 255。范围在此大致等距案件。 然而，通过使用 K 均值聚类是否可以更实际地测量我的像素值范围应该是什么？尝试同时获取相似的像素，而不是像素浓度较低的垃圾箱。
EDITS (to include obtained results):
k 均值，簇数 = 5
当然K-Means可以用于颜色量化。这非常方便。
让我们看一个例子数学 http://www.wolfram.com/mathematica/:
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个灰度级：
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个集群：
ic = ClusteringComponents[Image@ac];
First@Dimensions@Tally@Flatten@ic
-> 3
它选择了3个簇，对应的图像为：
现在，是否可以，或者您需要更多集群，这取决于您。
假设您决定需要更细粒度的分色。我们要求 6 个簇而不是 3 个：
ic2 = ClusteringComponents[Image@ac, 6];
Image@ic2 // ImageAdjust
Result:
以下是每个 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。
Edit
也许这将帮助您理解在新示例中做错了什么。
如果我对彩色图像进行聚类，并使用聚类数来表示亮度，我会得到：
这是因为簇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（即按亮度升序找到簇）