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 npimport cv2from 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 )#  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 yellowplt.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 npimport cv2from 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.float32Z = 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 dataplt.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 npimport cv2img = cv2.imread('spaceship.jpg')Z = img.reshape((-1,3))# convert to np.float32Z = 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: