基于K-Means的图像分割区域降噪优化方法咨询

针对你用K-Means做图像调色板简化时出现的分割噪声、边缘/文字细节丢失问题，以下是几个针对性的改进方案，兼顾去噪与细节保留：

一、替换预处理滤波：用双边滤波替代中值滤波 #

中值滤波是全局均匀模糊，会损失边缘细节。双边滤波能在去除小噪声的同时保留图像边缘，更适合分割前的预处理：

def segment_image(image_path):
    data = cv2.imread(image_path)
    o_image = cv2.cvtColor(data, cv2.COLOR_BGR2RGB) 
    # 替换原medianBlur为双边滤波
    image = cv2.bilateralFilter(o_image, d=9, sigmaColor=75, sigmaSpace=75)
    arr = image.reshape((-1, 3))
    values = np.float32(arr)

    k = elbow(arr)
    print('Using {} clusters.'.format(k))
    kmeans = KMeans(n_clusters = k, random_state=11, init = 'k-means++', n_init='auto').fit(arr)

    labels = kmeans.labels_.flatten()
    centers = np.uint8(kmeans.cluster_centers_)
    less_colors = centers[labels.flatten()].reshape(data.shape)

    cv2.imshow('Segmented Result', less_colors)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

• 参数说明：d是滤波核直径，sigmaColor控制颜色相似度权重，sigmaSpace控制空间距离权重，可根据你的图像调整（细节较多时减小d）。

二、对分割结果做形态学后处理 #

针对K-Means输出的标签掩码，用形态学操作去除小噪声点、填补区域空洞，且不会过度模糊边缘：

# 假设你已经得到K-Means的labels和原始图像o_image
# 1. 提取目标区域的掩码（比如柠檬对应的标签为label_lemon）
mask = (labels.reshape(o_image.shape[:2]) == label_lemon).astype(np.uint8) * 255

# 2. 创建结构元素（椭圆核比矩形更贴合物体边缘）
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))

# 3. 开运算：先腐蚀去小噪声，再膨胀恢复区域大小
clean_mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)
# 4. 闭运算：填补区域内的小空洞
clean_mask = cv2.morphologyEx(clean_mask, cv2.MORPH_CLOSE, kernel)

# 5. 用干净的掩码提取目标区域
segmented_lemon = cv2.bitwise_and(o_image, o_image, mask=clean_mask)
cv2.imshow('Clean Lemon Segment', segmented_lemon)

• 可根据噪声大小调整核的尺寸（噪声点较大时用(5,5)核）。

三、基于超像素的K-Means聚类 #

先将图像分割为超像素（颜色、纹理相似的像素组），再对超像素的平均颜色做聚类，避免单个像素噪声干扰，同时保留边缘：

from skimage.segmentation import slic
from skimage.util import img_as_float
from skimage.measure import regionprops

def segment_image(image_path):
    data = cv2.imread(image_path)
    o_image = cv2.cvtColor(data, cv2.COLOR_BGR2RGB)
    img_float = img_as_float(o_image)

    # 生成超像素：n_segments控制超像素数量，compactness平衡空间紧凑度与颜色相似度
    segments = slic(img_float, n_segments=200, compactness=10, sigma=1)
    
    # 计算每个超像素的平均颜色
    region_colors = []
    for prop in regionprops(segments):
        mean_color = np.mean(img_float[prop.coords[:,0], prop.coords[:,1]], axis=0)
        region_colors.append(mean_color)
    
    # 对超像素颜色做K-Means
    k = elbow(np.array(region_colors))
    print('Using {} clusters.'.format(k))
    kmeans = KMeans(n_clusters=k, random_state=11, init='k-means++', n_init='auto').fit(region_colors)
    
    # 将超像素映射到聚类标签，生成最终图像
    segment_labels = kmeans.labels_[segments]
    centers = np.uint8(kmeans.cluster_centers_ * 255)  # skimage转float后颜色值在0-1之间
    less_colors = centers[segment_labels].reshape(o_image.shape)
    
    cv2.imshow('Superpixel-based Segmentation', less_colors)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

四、扩展K-Means的特征空间 #

仅用RGB颜色特征容易受亮度干扰，加入HSV的色调(H)通道能提升颜色聚类的稳定性，减少因亮度波动产生的噪声：

def segment_image(image_path):
    data = cv2.imread(image_path)
    o_image = cv2.cvtColor(data, cv2.COLOR_BGR2RGB)
    image = cv2.bilateralFilter(o_image, d=9, sigmaColor=75, sigmaSpace=75)

    # 转换为HSV，提取H通道
    hsv_image = cv2.cvtColor(image, cv2.COLOR_RGB2HSV)
    h_channel = hsv_image[:, :, 0:1]  # 取H通道，保持维度一致
    
    # 合并RGB与H通道作为K-Means的输入特征
    feature_array = np.concatenate([image, h_channel], axis=2).reshape(-1, 4)
    feature_array = np.float32(feature_array)

    k = elbow(feature_array)
    print('Using {} clusters.'.format(k))
    kmeans = KMeans(n_clusters=k, random_state=11, init='k-means++', n_init='auto').fit(feature_array)

    labels = kmeans.labels_.flatten()
    # 仅取RGB中心值（H通道用于聚类，最终输出用RGB）
    centers_rgb = np.uint8(kmeans.cluster_centers_[:, :3])
    less_colors = centers_rgb[labels.flatten()].reshape(data.shape)

    cv2.imshow('RGB+H Segmentation', less_colors)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

组合建议 #

推荐采用「双边滤波预处理 + RGB+H特征K-Means + 形态学后处理」的组合，既能有效抑制噪声，又能最大程度保留边缘和文字细节。

内容的提问来源于stack exchange，提问作者Johnny