170.图像分割之K均值聚类

10. 轮廓与图像分割索引

• 区域分割之聚类方法

一、图像分割之K均值聚类

• 基于 k 均值聚类的区域分割
  聚类方法的思想是将样本集合按照其特征的相似性划分为若干类别，使同一类别样本的特征具有较高的相似性，不同类别样本的特征具有较大的差异性。

• 基于聚类的区域分割，就是基于图像的灰度、颜色、纹理、形状等特征，用聚类算法把图像分成若干类别或区域，使每个点到聚类中心的均值最小。

  
  

• k 均值（k-means）是一种无监督聚类算法。基于 k 均值聚类算法的区域分割，算法步骤为：
  （1）首先从图像中选取 k 个点作为初始的聚类中心；
  （2）对所有的像素点，计算像素到每个聚类中心的距离，将像素分类到距离最小的一个聚类中；
  （3）根据分类结果计算出新的聚类中心；
  （4）如此反复迭代直到聚类中心收敛到稳定值。

二、函数

• OpenCV 提供了函数 cv.kmeans 来实现 k-means 聚类算法。函数 cv.kmeans 不仅可以基于灰度、颜色对图像进行区域分割，也可以基于样本的其它特征如纹理、形状进行聚类。

cv.kmeans(data, K, bestLabels, criteria, attempts, flags[, centers]) → compactness, labels, centersdst

• 函数kmeans 实现 k-means 算法寻找聚类中心，并按聚类对输入样本进行分组。

参数说明：

• data：用于聚类的数据，N 维数组，类型为 CV_32F、CV_32FC2
• K：设定的聚类数量
• bestLabels：整数数组，分类标签，每个样本的所属聚类的序号
• criteria：元组 (type, max_iter, epsilon)，算法结束标准，最大迭代次数或聚类中心位置精度
  • cv2.TERM_CRITERIA_EPS：如果达到指定的精度 epsilon，则停止算法迭代
  • cv2.TERM_CRITERIA_MAX_ITER：在指定的迭代次数max_iter之后停止算法
  • cv2.TERM_CRITERIA_EPS + - cv.TERM_CRITERIA_MAX_ITER：当满足上述任何条件时停止迭代
• attempts：标志，指定使用不同聚类中心初值执行算法的次数
  flags：像素邻域的尺寸，用于计算邻域的阈值，通常取 3，5，7
  • cv2. KMEANS_RANDOM_CENTERS：随机产生聚类中心的初值
  • cv2. KMEANS_PP_CENTERS：Kmeans++ 中心初始化方法
  • cv2. KMEANS_USE_INITIAL_LABELS：第一次计算时使用用户指定的聚类初值，之后的计算则使用随机的或半随机的聚类中心初值
• centers：聚类中心数组，每个聚类中心为一行，可选项
• labels：整数数组，分类标签，每个样本的所属聚类的序号
• centersdst：聚类中心数组

三、例程

• 11.27：图像分割之 k 均值聚类

import cv2
import numpy as np
from matplotlib import pyplot as plt

# 11.27 图像分割之 k 均值聚类
img = cv2.imread(r"E:/OpenCV/barbara.bmp", flags=1)  # 读取彩色图像(BGR)

dataPixel = np.float32(img.reshape((-1, 3)))
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 200, 0.1)  # 终止条件
flags = cv2.KMEANS_RANDOM_CENTERS  # 起始的中心选择

K = 3  # 设置聚类数
_, labels, center = cv2.kmeans(dataPixel, K, None, criteria, 10, flags)
centerUint = np.uint8(center)
classify = centerUint[labels.flatten()]  # 将像素标记为聚类中心颜色
imgKmean3 = classify.reshape((img.shape))  # 恢复为二维图像

K = 4  # 设置聚类数
_, labels, center = cv2.kmeans(dataPixel, K, None, criteria, 10, flags)
centerUint = np.uint8(center)
classify = centerUint[labels.flatten()]  # 将像素标记为聚类中心颜色
imgKmean4 = classify.reshape((img.shape))  # 恢复为二维图像

K = 5  # 设置聚类数
_, labels, center = cv2.kmeans(dataPixel, K, None, criteria, 10, flags)
centerUint = np.uint8(center)
classify = centerUint[labels.flatten()]  # 将像素标记为聚类中心颜色
imgKmean5 = classify.reshape((img.shape))  # 恢复为二维图像

plt.figure(figsize=(9, 7))
plt.subplot(221), plt.axis('off'), plt.title("Origin")
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))  # 显示 img1(RGB)
plt.subplot(222), plt.axis('off'), plt.title("K-mean (k=3)")
plt.imshow(cv2.cvtColor(imgKmean3, cv2.COLOR_BGR2RGB))
plt.subplot(223), plt.axis('off'), plt.title("K-mean (k=4)")
plt.imshow(cv2.cvtColor(imgKmean4, cv2.COLOR_BGR2RGB))
plt.subplot(224), plt.axis('off'), plt.title("K-mean (k=5)")
plt.imshow(cv2.cvtColor(imgKmean5, cv2.COLOR_BGR2RGB))
plt.tight_layout()
plt.show()

四、资料

youcans_的博客：
https://blog.csdn.net/youcans/article/details/124550523
```