使用Gabor滤波器提取纹理特征，再通过K-means聚类进行图像分割，是一个经典的纹理分割流程

整体流程概览

整个流程可以清晰地分为以下步骤，其核心是通过多尺度、多方向的Gabor滤波器组捕捉纹理信息：

完整的MATLAB实现代码

%% ====== 基于Gabor纹理特征与K-means聚类的图像分割 ======
clear; close all; clc;

%% 步骤1：读取并预处理图像
img = imread('texture_image.jpg'); % 请替换为你的图像路径
if size(img, 3) == 3
    img_gray = rgb2gray(img); % 转换为灰度图
else
    img_gray = img;
end
img_gray = im2double(img_gray); % 转换为双精度

figure('Position', [100, 100, 1200, 400]);
subplot(1,4,1);
imshow(img_gray); title('原始灰度图像');
[m, n] = size(img_gray);

%% 步骤2：设计并应用多尺度、多方向Gabor滤波器组
fprintf('设计Gabor滤波器组...\n');

% 2.1 定义滤波器参数（这些是关键参数，可根据纹理调整）
wavelengths = [3, 6, 9];          % 波长（像素），对应频率 f = 1/wavelength
orientations = [0, 45, 90, 135];  % 方向（度）
gaborBank = cell(length(wavelengths), length(orientations));
filterResponses = zeros(m, n, length(wavelengths)*length(orientations));

% 2.2 生成滤波器组并滤波
responseIdx = 1;
for wl = 1:length(wavelengths)
    for or = 1:length(orientations)
        % 创建Gabor滤波器
        gaborBank{wl, or} = gabor(wavelengths(wl), orientations(or));
        
        % 对图像进行滤波（实部和虚部）
        [mag, ~] = imgaborfilt(img_gray, gaborBank{wl, or});
        
        % 通常使用滤波响应的幅度作为纹理特征
        filterResponses(:, :, responseIdx) = mag;
        responseIdx = responseIdx + 1;
    end
end

% 2.3 可视化部分滤波器及其响应
subplot(1,4,2);
montage(real(gaborBank{:, :}), 'Size', [length(wavelengths), length(orientations)]);
title('Gabor滤波器组（实部）');

subplot(1,4,3);
montage(filterResponses(:,:,1:4), 'Size', [2, 2]);
title('示例特征图（前4个）');

fprintf('Gabor滤波完成，生成 %d 个特征图。\n', size(filterResponses,3));

%% 步骤3：构建特征向量并降维
fprintf('构建特征向量并降维...\n');

% 3.1 将三维特征矩阵重塑为二维特征矩阵 [像素数 x 特征数]
numPixels = m * n;
featureMatrix = reshape(filterResponses, numPixels, []);

% 3.2 标准化特征（重要：使各维度特征具有可比性）
featureMatrix = zscore(featureMatrix); % 零均值，单位方差

% 3.3 主成分分析（PCA）降维（可选，但推荐用于加速和去噪）
desiredDim = 8; % 希望保留的主成分数量
[coeff, score, ~, ~, explained] = pca(featureMatrix);
featureMatrixReduced = score(:, 1:desiredDim);
fprintf('PCA降维完成：原始维度 %d -> 新维度 %d，前%d个主成分解释%.1f%%方差。\n', ...
    size(featureMatrix,2), desiredDim, desiredDim, sum(explained(1:desiredDim)));

%% 步骤4：使用K-means对特征向量进行聚类
fprintf('进行K-means聚类...\n');

numClusters = 4; % 期望分割的区域数量（需根据图像先验调整）
maxIterations = 100; % 最大迭代次数
replicates = 3; % 重复次数（避免局部最优）

% 执行K-means聚类
[clusterIdx, centroids] = kmeans(featureMatrixReduced, numClusters, ...
    'Distance', 'sqeuclidean', ...
    'MaxIter', maxIterations, ...
    'Replicates', replicates, ...
    'Display', 'final');

% 将聚类标签重塑为图像格式
segmentedImg = reshape(clusterIdx, m, n);

%% 步骤5：后处理与结果可视化
fprintf('进行分割结果后处理...\n');

% 5.1 简单中值滤波去除小噪声点
segmentedImg = medfilt2(segmentedImg, [5, 5]);

% 5.2 显示最终分割结果
subplot(1,4,4);
imagesc(segmentedImg); axis image; axis off;
colormap(jet(numClusters)); % 为不同类别分配不同颜色
colorbar('Ticks', 1:numClusters, 'TickLabels', 1:numClusters);
title(sprintf('K-means分割结果 (%d类)', numClusters));

% 5.3 （可选）将分割结果叠加在原图上显示
figure('Position', [100, 500, 800, 400]);
subplot(1,2,1); imshow(img_gray); title('原始图像');
subplot(1,2,2);
if size(img, 3) == 3
    imshow(img); hold on;
else
    imshow(img_gray); hold on;
end
% 以透明方式显示分割边界
boundaries = bwperim(segmentedImg); % 获取区域边界
visboundaries(boundaries, 'Color', 'r', 'LineWidth', 1.5, 'EnhanceVisibility', false);
title('分割边界叠加图');
hold off;

fprintf('图像分割完成！\n');

核心参数详解与调优指南

代码中的几个关键参数直接影响分割效果，需要根据你的具体图像纹理进行调整：

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/contentcsa/98030.html

优化与改进

如果基础方案效果不理想，可以从以下几个方向进行优化：

1. 特征增强：

   • 多尺度融合：除了Gabor幅度，可考虑结合局部二值模式（LBP） 或灰度共生矩阵（GLCM） 特征，提供互补信息。
   • 空间上下文：在特征向量中融入像素的坐标 (x, y)，使聚类时考虑空间邻近性，得到更紧凑的区域。

2. 聚类算法改进：

   • 确定最佳聚类数：使用轮廓系数（Silhouette Score） 或肘部法则（Elbow Method） 评估不同 numClusters 值的效果。
   • 采用更优算法：K-means对初始值敏感且假设凸形簇。可尝试谱聚类（Spectral Clustering） 或均值漂移（Mean-Shift），它们对任意形状的纹理区域更有效。

3. 后处理优化：

   • 使用更鲁棒的方法：用形态学操作（开闭运算） 或连通组件分析 替代简单中值滤波，能更好地平滑区域并去除小噪声。

总结来说，你可以直接使用上述代码，并通过调整Gabor参数和聚类数量来适配你的图像。