OPENCV之Kmeans图像分割

最新推荐文章于 2023-02-17 17:40:00 发布

兴路

最新推荐文章于 2023-02-17 17:40:00 发布

阅读量1.5k

点赞数 1

分类专栏： opencv 文章标签： opencv 算法

本文链接：https://blog.csdn.net/shirelyme/article/details/50396320

版权

本文介绍了如何利用K-means算法进行图像分割，K-means算法通过选取K个初始中心点，将数据点分配到最近的簇中，并更新簇中心。OpenCV库提供了K-means的实现，通过多次迭代和比较J值的变化来完成图像的聚类分割。通过展示原图、聚类结果图和掩码图，展示了K-means在图像分割中的应用。

摘要由CSDN通过智能技术生成

1.kmeans简介
虽然 k-means 并不能保证总是能得到全局最优解，但是对于这样的问题，像 k-means 这种复杂度的算法，这样的结果已经是很不错的了。
下面我们来总结一下 k-means 算法的具体步骤：
[1] 选定 K 个中心 \mu_k 的初值。这个过程通常是针对具体的问题有一些启发式的选取方法，或者大多数情况下采用随机选取的办法。因为前面说过 k-means 并不能保证全局最优，而是否能收敛到全局最优解其实和初值的选取有很大的关系，所以有时候我们会多次选取初值跑 k-means ，并取其中最好的一次结果。
[2] 将每个数据点归类到离它最近的那个中心点所代表的 cluster 中。
[3] 用公式 \mu_k = \frac{1}{N_k}\sum_{j\in\text{cluster}_k}x_j 计算出每个 cluster 的新的中心点。
[4] 重复第二步，一直到迭代了最大的步数或者前后的 J 的值相差小于一个阈值为止。

OPENCV中提供了kmeans具体的实现，这里就不介绍了。直接上代码。

Mat labels;
    Mat center;
    Mat p = Mat::zeros(pDoc->m_MatImage.cols*pDoc->m_MatImage.rows, 3, CV_32F);    //初始化全0矩阵
    for (int i = 0; i<pDoc->m_MatImage.cols