K-means clustering merupakan salah satu algoritma yang dapat mempartisi data menjadi beberapa region kluster. Proses partisi data didasarkan pada jarak terdekat antara data dengan centroid masing-masing kluster. Berikut ini merupakan salah satu contoh aplikasi pemrograman matlab mengenai segmentasi citra grayscale dengan metode k-means clustering. File citra yang digunakan adalah ‘cat.jpg’ di mana objek yang ingin disegmentasi adalah berupa hewan kucing, sedangkan background adalah berupa rumput.

Langkah-langkah segmentasi citra adalah sebagai berikut:
1. Membaca citra rgb asli

2. Mengkonversi citra RGB menjadi citra grayscale menggunakan persamaan

Grayscale = 0.2989 * R + 0.5870 * G + 0.1140 * B

3. Melakukan segmentasi citra grayscale dengan metode k-means clustering. Algoritma k-means digunakan untuk mempartisi dua region kluster

Pada citra hasil segmentasi di atas, kluster 1 direpresentasikan oleh region berwarna biru, sedangkan kluster 2 direpresentasikan oleh region berwarna kuning

4. Memilih region kluster yang memiliki luas paling kecil. Hal tersebut dilakukan agar diperoleh region object yaitu hewan kucing

5. Melakukan filtering menggunakan median filter untuk menyempurnakan hasil segmentasi

6. Melakukan operasi morfologi berupa area opening dengan tujuan untuk menghilangkan noise

7. Citra biner hasil operasi morfologi kemudian dijadikan sebagai masking untuk memvisualisasikan bounding box pada citra rgb asli

File source code lengkap beserta citra pada pemrograman di atas dapat diperoleh melalui halaman berikut ini: Source Code

Sedangkan tampilan source code nya adalah

clc; clear; close all;

Img = imread('cat.jpg');
grayImage = rgb2gray(Img);

subplot(2, 2, 1);
imshow(Img, []);
title('Original Image');

subplot(2, 2, 2);
imshow(grayImage, []);
title('Grayscale Image');

numberOfClasses = 2;
indexes = kmeans(grayImage, numberOfClasses);
classImage = reshape(indexes, size(grayImage));

h = subplot(2, 2, 3);
imshow(classImage, []);
title('Classified Image');
colormap(h,parula);

class = zeros(size(grayImage));
area = zeros(numberOfClasses,1);

for n = 1:numberOfClasses
class(:,:,n) = classImage==n;
area(n) = sum(sum(class(:,:,n)));
end

[~,min_area] = min(area);

object = classImage==min_area;
bw = medfilt(object,[5 5]);
bw = bwareaopen(bw,5000);
s = regionprops(bw,'BoundingBox');
bbox = cat(1, s.BoundingBox);
RGB = insertShape(Img, 'FilledRectangle', bbox, 'Color', 'yellow', 'Opacity', 0.3);
RGB = insertObjectAnnotation(RGB,'rectangle',bbox,'Object','TextBoxOpacity',0.9,'FontSize',18);
subplot(2, 2, 4);
imshow(RGB,[]);
title('Detected Object');

Penerapan algoritma k-means clustering untuk segmentasi citra grayscale dapat dilihat pada video tutorial berikut ini: