?

OpenCV的k - means聚類

目標

• 學習使用cv2.kmeans()數據聚類函數OpenCV

理解參數

輸入參數

樣品:它應該的np.float32數據類型,每個特性應該被放在一個單獨的列。

nclusters(K):數量的集群需要結束

標準:這是迭代終止準則。 當這個標準是滿足,算法迭代停止。 實際上,它應該是一個元組的三個參數。 他們是( type,max_iter,epsilon):

• 3. a -type 的終止條件:它有三個標志如下:

  cv2.TERM_CRITERIA_EPS——停止算法迭代如果指定的精度,ε是達到了。cv2.TERM_CRITERIA_MAX_ITER——停止指定數量的迭代算法后,max_iter。cv2。 TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER——任何上述條件時停止迭代。

• 3. b - max_iter整數指定最大迭代數。
• 3. c -epsilon 所需精度

嘗試:標記來指定執行的次數算法使用不同的初始標簽。 算法返回標簽,產生最佳的密實度。 這個密實度是作為輸出返回。

旗幟:這個標志用于指定初始中心。 通常用于這兩個標記:cv2.KMEANS_PP_CENTERS和cv2.KMEANS_RANDOM_CENTERS。

輸出參數

密實度:這是每一個點的距離的平方和相應的中心。

標簽:這是標簽陣列,其中每個元素標記1,另一個為0

中心:這是一系列的集群中心。

?

?

以下是示例代碼:

第一個基本語法 與 一維數據聚類

?

# -*- coding:utf-8 -*- __author__ = 'FontTian' __Date__ = '2017/5/13'import numpy as np import cv2 from matplotlib import pyplot as pltx = np.random.randint(25,100,25) y = np.random.randint(175,255,25) z = np.hstack((x,y)) z = z.reshape((50,1)) z = np.float32(z) plt.hist(z,256,[0,256]),plt.show()# Define criteria = ( type, max_iter = 10 , epsilon = 1.0 ) # 這是迭代終止準則:type(A = TERM_CRITERIA_EPS 按照精度終止,B = TERM_CRITERIA_MAX_ITER,按照迭代次數終止,A+B 滿足任一條件時終止) criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)# Set flags (Just to avoid line break in the code) # 用以指定初始中心 flags = cv2.KMEANS_RANDOM_CENTERS# Apply KMeans '''密實度 :這是每一個點的距離的平方和相應的中心。標簽 :這是標簽陣列,其中每個元素標記0,1.....中心 :這是一系列的集群中心。 ''' compactness,labels,centers = cv2.kmeans(z,2,None,criteria,10,flags) A = z[labels==0] B = z[labels==1] # Now plot 'A' in red, 'B' in blue, 'centers' in yellow plt.hist(A,256,[0,256],color = 'r') plt.hist(B,256,[0,256],color = 'b') plt.hist(centers,32,[0,256],color = 'y') plt.show()

?

第二個:多維數據聚類

?

?

# -*- coding:utf-8 -*- __author__ = 'FontTian' __Date__ = '2017/5/13'import numpy as np import cv2 from matplotlib import pyplot as pltX = np.random.randint(25,50,(25,2)) Y = np.random.randint(60,85,(25,2)) Z = np.vstack((X,Y))# convert to np.float32 Z = np.float32(Z)# define criteria and apply kmeans() criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0) ret,label,center=cv2.kmeans(Z,2,None,criteria,10,cv2.KMEANS_RANDOM_CENTERS)# Now separate the data, Note the flatten() A = Z[label.ravel()==0] B = Z[label.ravel()==1]# Plot the data plt.scatter(A[:,0],A[:,1]) plt.scatter(B[:,0],B[:,1],c = 'r') plt.scatter(center[:,0],center[:,1],s = 80,c = 'y', marker = 's') plt.xlabel('Height'),plt.ylabel('Weight') plt.show()

?

第三個,圖片的顏色量化

?

?

# -*- coding:utf-8 -*- __author__ = 'FontTian' __Date__ = '2017/5/13' import numpy as np import cv2img = cv2.imread('spaceship.jpg') Z = img.reshape((-1,3)) # convert to np.float32 Z = np.float32(Z) j =0 # define criteria, number of clusters(K) and apply kmeans() criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0) Klist = [2,4,6,8,10] for i in Klist:ret,label,center=cv2.kmeans(Z,i,None,criteria,10,cv2.KMEANS_RANDOM_CENTERS)j +=2# Now convert back into uint8, and make original imagecenter = np.uint8(center)res = center[label.flatten()]res2 = res.reshape((img.shape))cv2.imshow(str(("spaceship K=",i)), res2)cv2.waitKey(0) cv2.imshow('quondam image',img) cv2.waitKey(0) cv2.destroyAllWindows()

下面是我使用的示例圖片:

?

?

?

?

?

總結

以上是生活随笔為你收集整理的OpenCV的k - means聚类 -对图片进行颜色量化的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。