OpenCV的k

OpenCV的k - means聚类

目标

• 学习使用cv2.kmeans()数据聚类函数OpenCV

理解参数

输入参数

1. 样品:它应该的np.float32数据类型,每个特性应该被放在一个单独的列。

2. nclusters(K):数量的集群需要结束

3. 标准:这是迭代终止准则。 当这个标准是满足,算法迭代停止。 实际上,它应该是一个元组的三个参数。 他们是( type,max_iter,epsilon):

   • 3. a -type 的终止条件:它有三个标志如下:

     cv2.TERM_CRITERIA_EPS——停止算法迭代如果指定的精度,ε是达到了。cv2.TERM_CRITERIA_MAX_ITER——停止指定数量的迭代算法后,max_iter。cv2。 TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER——任何上述条件时停止迭代。

   • 3. b - max_iter整数指定最大迭代数。
   • 3. c -epsilon 所需精度

4. 尝试:标记来指定执行的次数算法使用不同的初始标签。 算法返回标签,产生最佳的密实度。 这个密实度是作为输出返回。

5. 旗帜:这个标志用于指定初始中心。 通常用于这两个标记:cv2.KMEANS_PP_CENTERS和cv2.KMEANS_RANDOM_CENTERS。

输出参数

1. 密实度:这是每一个点的距离的平方和相应的中心。
2. 标签:这是标签阵列,其中每个元素标记1,另一个为0
   
3. 中心:这是一系列的集群中心。

以下是示例代码:

第一个基本语法 与 一维数据聚类

# -*- coding:utf-8 -*-
__author__ = 'FontTian'
__Date__ = '2017/5/13'

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

x = 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 )
#  这是迭代终止准则:type(A = TERM_CRITERIA_EPS 按照精度终止,B = TERM_CRITERIA_MAX_ITER,按照迭代次数终止,A+B 满足任一条件时终止)
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
'''
 密实度 :这是每一个点的距离的平方和相应的中心。
 标签 :这是标签阵列,其中每个元素标记˜0,1€™.....
 中心 :这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()

第二个:多维数据聚类

# -*- coding:utf-8 -*-
__author__ = 'FontTian'
__Date__ = '2017/5/13'

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

X = 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()

第三个,图片的颜色量化

# -*- coding:utf-8 -*-
__author__ = 'FontTian'
__Date__ = '2017/5/13'
import numpy as np
import cv2

img = 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 image
    center = 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图片: