????OpenCV3.3中給出了K-均值聚類(K-Means)的實現，即接口cv::kmeans，接口的聲明在include/opencv2/core.hpp文件中，實現在modules/core/src/kmeans.cpp文件中,其中：

????下面對此接口中的參數作個簡單說明：

????(1)、data：為cv::Mat類型，每行代表一個樣本，即特征，即mat.cols=特征長度，mat.rows=樣本數，數據類型僅支持float；

????(2)、K：指定聚類時劃分為幾類；

????(3)、bestLabels：為cv::Mat類型，是一個長度為(樣本數，1)的矩陣，即mat.cols=1,mat.rows=樣本數；為K-Means算法的結果輸出，指定每一個樣本聚類到哪一個label中；

????(4)、criteria：TermCriteria類，算法進行迭代時終止的條件，可以指定最大迭代次數，也可以指定預期的精度，也可以這兩種同時指定；

????(5)、attempts：指定K-Means算法執行的次數，每次算法執行的結果是不一樣的，選擇最好的那次結果輸出；

????(6)、flags：初始化均值點的方法，目前支持三種：KMEANS_RANDOM_CENTERS、KMEANS_PP_CENTERS、KMEANS_USE_INITIAL_LABELS；

????(7)、centers：為cv::Mat類型，輸出最終的均值點，mat.cols=特征長度，mat.rols=K.

????一般當attempts和TermCriteria中迭代次數值越大時，聚類效果越好。

? ? 關于K-Means聚類的簡介可以參考：?http://blog.csdn.net/fengbingchun/article/details/79276668?

????以下是從數據集MNIST中提取的40幅圖像，0,1,2,3四類各20張，如下圖：

????關于MNIST的介紹可以參考：http://blog.csdn.net/fengbingchun/article/details/49611549?

? ? 測試代碼如下：

#include "opencv.hpp"
#include <string>
#include <vector>
#include <memory>
#include <algorithm>
#include <opencv2/opencv.hpp>
#include <opencv2/ml.hpp>
#include "common.hpp"/ K-Means ///
int test_opencv_kmeans()
{const std::string image_path{ "E:/GitCode/NN_Test/data/images/digit/handwriting_0_and_1/" };cv::Mat tmp = cv::imread(image_path + "0_1.jpg", 0);CHECK(tmp.data != nullptr && tmp.channels() == 1);const int samples_number{ 80 }, every_class_number{ 20 }, categories_number{ samples_number / every_class_number};cv::Mat samples_data(samples_number, tmp.rows * tmp.cols, CV_32FC1);cv::Mat labels(samples_number, 1, CV_32FC1);float* p1 = reinterpret_cast<float*>(labels.data);for (int i = 1; i <= every_class_number; ++i) {static const std::vector<std::string> digit{ "0_", "1_", "2_", "3_" };CHECK(digit.size() == categories_number);static const std::string suffix{ ".jpg" };for (int j = 0; j < categories_number; ++j) {std::string image_name = image_path + digit[j] + std::to_string(i) + suffix;cv::Mat image = cv::imread(image_name, 0);CHECK(!image.empty() && image.channels() == 1);image.convertTo(image, CV_32FC1);image = image.reshape(0, 1);tmp = samples_data.rowRange((i - 1) * categories_number + j, (i - 1) * categories_number + j + 1);image.copyTo(tmp);p1[(i - 1) * categories_number + j] = j;}}const int K{ 4 }, attemps{ 100 };const cv::TermCriteria term_criteria = cv::TermCriteria(cv::TermCriteria::EPS + cv::TermCriteria::COUNT, 100, 0.01);cv::Mat labels_, centers_;double value = cv::kmeans(samples_data, K, labels_, term_criteria, attemps, cv::KMEANS_RANDOM_CENTERS, centers_);fprintf(stdout, "K = %d, attemps = %d, iter count = %d, compactness measure =  %f\n",K, attemps, term_criteria.maxCount, value);CHECK(labels_.rows == samples_number);int* p2 = reinterpret_cast<int*>(labels_.data);for (int i = 1; i <= every_class_number; ++i) {for (int j = 0; j < categories_number; ++j) {fprintf(stdout, "  %d  ", *p2++);}fprintf(stdout, "\n");}return 0;
}

? ? 執行結果如下：下圖中每一列表示期望是同一個label。

? ? GitHub：?https://github.com/fengbingchun/NN_Test?

總結

以上是生活随笔為你收集整理的OpenCV3.3中K-Means聚类接口简介及使用的全部內容，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。