基于聚类的关键帧提取法 会弹出这几幅关键帧的图像 程序中的基本思路： 1.以第一帧图像的 R，G，B 直方图为初始质心，获取第一幅图像的 R，G，B 三幅 图像的直方图，为 1*256 的矩阵. 2.对比第二帧与第一个聚类质心（开始为第一帧的 RGB 直方图），若第二帧类似 于第一帧(这里比较两个图像的 RGB 三种质心的距离，根据预先设定的阈值进行 判断)，第二帧加入第一帧的聚类，同在新加入的图像与初试质心的基础上，生 成新的质心，作为与新帧比较的基础。若不类似，则生成新的聚类。下次比较时 新的帧将会与所有的聚类的质心进行比较，选择归属的聚类或者生成新的聚类。 如此往复，将会生成几个聚类，同时每个帧都会有所归属。 关键帧提取的第一步应该是进行镜头切割。镜头分割，已经写过几种简单 的办法了，见 CSDN 上查找一下 https://blog.csdn.net/weixin_43384257/article/details/83538288。镜头分 割以后，就要对每一个镜头进行关键帧提取，每个镜头都会提取出来几个关键帧。 关键帧提取的代码如下：是在 matlab 下运行的。 filenames=dir('D:\Documents\MATLAB\K_means_tiqu\airplane/*.jpg');%这 个是一个镜头所有帧的存储路径 %file_name = fly-1; num=size(filenames,1); key=zeros(1,num); 0 cluster=zeros(1,num); clusterCount=zeros(1,num); 数 count=0; %[0,0,0,0,0,0,0,0,0,0,0,0,....0,0,0,0] [0,0,0,0,0,0,0,0,0,0,0,0,....0,0,0,0] [0,0,0,0,0,0,0,0,0,0,0,0,....0,0,0,0] %输出 filenames 中文件图片的个数 %一行，num 列都是 %各聚类有的帧 %聚类的个数 0.95 更好 %阈值越大帧越多 %threshold=0.75; %airplane 这个视频阈值设为 0.93 比较合适 %0.93 %*********************************************阈值自己设定，看是多少时 效果最好******************************************************% threshold=0.93; 第一帧图片 256 个初 centrodR=zeros(num,256); 始化全部为 0，第二帧也是，其余帧都是 %%%后面相似度大加入一帧后会对其 进行调整 centrodG=zeros(num,256); centrodB=zeros(num,256); %聚类质心 G 的直方图 %聚类质心 B 的直方图 %聚类质心 R 的直方图 %阈值 

if num==0 error('Sorry, there is no pictures in images folder!'); else %令首帧形成第一个聚类 img=imread(strcat('airplane/',filenames(1).name)); count=count+1; [preCountR,x]=imhist(img(:,:,1)); %产生第一个聚类 %red histogram 得到红 色的直方图一共 256 个数值，每个数值有多少作为直方图的高度 [preCountG,x]=imhist(img(:,:,2)); [preCountB,x]=imhist(img(:,:,3)); %green histogram %blue histogram cluster(1)=1; %设定第一个聚类选取的关键帧初始为首 帧 cluster 变为了（1,0,0,0,0,......,0,0,0）cluster(1)是改变了第一个 元素 clusterCount(1)=clusterCount(1)+1;%clusterCount(1)为 0，加 1，变 为 1,最终 clusterCount(1)为[1,0,0,0,.....,0,0,0] centrodR(1,:)=preCountR; % centrodR 本来是 num（帧个数）行，256 列，全部为 0.。现在第一行为第一帧的红色直方图各个数值的高度 centrodG(1,:)=preCountG; centrodB(1,:)=preCountB; for k=2:num img=imread(strcat('airplane/',filenames(k).name)); %循 环读取每一帧，首先是第 2 帧 [tmpCountR,x]=imhist(img(:,:,1)); %red histogram 得 到红色分量直方图 第二幅图片的红色直方图 [tmpCountG,x]=imhist(img(:,:,2)); [tmpCountB,x]=imhist(img(:,:,3)); %green histogram %blue histogram clusterGroupId=1; maxSimilar=0; %新定义的一个变量 clusterGroupId 为 1 %新定义，相似度 for clusterCountI=1:count %目前 count 为 定义新变量 clusterCountI 1 个聚类 I 来确定这一帧归属于第一个聚类还是第二 sR=0; sG=0; sB=0; %运用颜色直方图法的差别函数 for j=1:256 +sR;%，j 从 1 到 256，第一帧中 R 的所有值 256 个亮度 以及第二帧的红色直 方图所有高度值 进行比较选最小的 sR=min(centrodR(clusterCountI,j),tmpCountR(j)) 

+sG; +sB; sG=min(centrodG(clusterCountI,j),tmpCountG(j)) sB=min(centrodB(clusterCountI,j),tmpCountB(j)) end dR=sR/sum(tmpCountR); dG=sG/sum(tmpCountG); dB=sB/sum(tmpCountB); %YUV,persons are sensitive to Y d=0.30*dR+0.59*dG+0.11*dB; %运用颜色直方图法的差 别函数 定义了 d 差别函数 if d>maxSimilar clusterGroupId=clusterCountI; maxSimilar=d; end end if maxSimilar>threshold %相似度大，与该聚类质心距离小 %加入该聚类，并调整质心 for ii=1:256 centrodR(clusterGroupId,ii)=centrodR(clusterG roupId,ii)*clusterCount(clusterGroupId)/(clusterCount(clusterGroupId) +1)+tmpCountR(ii)*1.0/(clusterCount(clusterGroupId)+1); centrodG(clusterGroupId,ii)=centrodG(clusterG roupId,ii)*clusterCount(clusterGroupId)/(clusterCount(clusterGroupId) +1)+tmpCountG(ii)*1.0/(clusterCount(clusterGroupId)+1); centrodB(clusterGroupId,ii)=centrodB(clusterG roupId,ii)*clusterCount(clusterGroupId)/(clusterCount(clusterGroupId) +1)+tmpCountB(ii)*1.0/(clusterCount(clusterGroupId)+1); end clusterCount(clusterGroupId)=clusterCount(clusterGr oupId)+1; cluster(k)=clusterGroupId; %第 k 帧在第 clusterGroupId 个聚类里面 聚类或者第二个聚类 else cluster(3)等于 1 或者 2，，也就是属于第一个 %形成新的聚类，增加一个聚类质心 count=count+1; clusterCount(count)=clusterCount(count)+1; centrodR(count,:)=tmpCountR; centrodG(count,:)=tmpCountG; centrodB(count,:)=tmpCountB; 

面 否则 cluster(k)就在新建的聚类中 cluster(k)=count; %第 k 帧在第 count 个聚类里 end end %至此，所有帧都划进相应的聚类，一共有 count 个聚类，第 k 帧在第 cluster(k)聚类中 %现欲取出每个聚类中离质心距离最近，即相似度最大的作为该聚类的关 键帧 maxSimilarity=zeros(1,count); frame=zeros(1,count); for i=1:num sR=0; sG=0; sB=0; %运用颜色直方图法的差别函数 for j=1:256 一帧和聚类质心进行比较，取最小值 sR=min(centrodR(cluster(i),j),tmpCountR(j))+sR;%每 sG=min(centrodG(cluster(i),j),tmpCountG(j))+sG; sB=min(centrodB(cluster(i),j),tmpCountB(j))+sB; end dR=sR/sum(tmpCountR); dG=sG/sum(tmpCountG); dB=sB/sum(tmpCountB); %YUV,persons are sensitive to Y d=0.30*dR+0.59*dG+0.11*dB; if d>maxSimilarity(cluster(i)) maxSimilarity(cluster(i))=d; frame(cluster(i))=i; end end for j=1:count key(frame(j))=1; figure(j); imshow(strcat('airplane/',filenames(frame(j)).name)); end end keyFrameIndexes=find(key)