对单通道灰度图（32位）的自定义初始聚类中心灰度值的Kmeans聚类分割

对单通道灰度图（32位）的自定义初始聚类中心灰度值的Kmeans聚类分割

• 最近学习需要使用Kmeans聚类分割一幅灰度图像，但是发现opencv自带的kmeans随机分配初始中心的方式KMEANS_PP_CENTERS并不好用，而且封装的函数看不到每次迭代的聚类中心变化过程，使用KMEANS_USE_INITIAL_LABELS自定义初始中心，发现相关的说明文档不多，且效果不好，必须手动先分配一波labels所有分类，很麻烦，效果也不好
  所有就自己写了一个特别好用的基于opencv的Kmeans聚类分割灰度图像函数，可以用户自定义初始化聚类中的每各初始灰度值。

---

opencv中代码如下

void main()
{
	Mat C=imread("灰度图（单通道）");
    Mat Img = C.clone();
	float c1[10] = { 0 }, c2[10] = { 0 }, c3[10] = { 0 }, c4[10] = { 0 };   //定义迭代十次，c存放每次迭代的聚类中心值
	c1[1] = 5;     //初始化第一类聚类中心灰度值
	c2[1] = 50;
	c3[1] = 100;
	c4[1] = 200;
	int kk = 4, times = 0;    //times记录迭代次数，，kk代表分4类
	Mat cla = C.clone();    //结果图
	Mat result = C.clone();
	int num1 = 0, num2 = 0, num3 = 0, num4 = 0;    //存放每类的像素个数和元素总和
	int sum1 = 0, sum2 = 0, sum3 = 0, sum4 = 0;
	int d1 = 2, d2 = 2, d3 = 2, d4 = 2;   //先任意给定可以使循环开始的大于1的聚类中心间距值
	int dis1 = 0, dis2 = 0, dis3 = 0, dis4 = 0;
	while ((d1 > 0.01 || d2 > 0.01 || d3 > 0.01 || d4 > 0.01) && (times < 10))   //迭代核心语句
	{
		times = times + 1;
		for (int i = 0; i < Img.rows; i++)
		{
			uchar *data = Img.ptr<uchar>(i);
			uchar *datacla = cla.ptr<uchar>(i);
			for (int j = 0; j < Img.cols; j++)
			{
				int value = data[j];
				int value2 = datacla[j];
				dis1 = (value - c1[times])*(value - c1[times]);    //欧式距离
				dis2 = (value - c2[times])*(value - c2[times]);
				dis3 = (value - c3[times])*(value - c3[times]);
				dis4 = (value - c4[times])*(value - c4[times]);
				int mindis = min_dis(dis1, dis2, dis3, dis4);
				if (mindis == dis1)    //分成4类直接分别赋值0，60，150，240灰度值
				{
					datacla[j] = 0;
					num1 = num1 + 1;
					sum1 = sum1 + data[j];
				}
				else if (mindis == dis2)
				{
					datacla[j] = 60;
					num2 = num2 + 1;
					sum2 = sum2 + data[j];
				}
				else if (mindis == dis3)
				{
					datacla[j] = 150;
					num3 = num3 + 1;
					sum3 = sum3 + data[j];
				}
				else if (mindis == dis4)
				{
					datacla[j] = 240;
					num4 = num4 + 1;
					sum4 = sum4 + data[j];
				}
			}
		}
//调整新的聚类中心
		c1[times + 1] = sum1 / num1;
		c2[times + 1] = sum2 / num2;
		c3[times + 1] = sum3 / num3;
		c4[times + 1] = sum4 / num4;
		//两次之间的聚类中心变化大小 以此做为终止迭代的标准
		d1 = abs(c1[times] - c1[times + 1]);
		d2 = abs(c2[times] - c2[times + 1]);
		d3 = abs(c3[times] - c3[times + 1]);
		d4 = abs(c4[times] - c4[times + 1]);
		//在下一次迭代前将每类的加和置0
		sum1 = 0;
		sum2 = 0;
		sum3 = 0;
		sum4 = 0;
		num1 = 0;
		num2 = 0;
		num3 = 0;
		num4 = 0;
	}
	namedWindow("kk", 0);
	imshow("kk", cla);
	waitKey(0);
}

附上Matlab代码

%% 对功率灰度图Img进行K-means聚类 分四类
Img=imread('D:/image/C.bmp');
Img=Img(1:end,1:end);
imshow(Img);
Img=double(Img);
%% 各个参数
c1=zeros(1,15);c2=zeros(1,15);c3=zeros(1,15);c4=zeros(1,15); %c存放每次迭代的聚类中心值
% 初始聚类中心
c1(1)=5;   %类1
c2(1)=50;  %类2
c3(1)=100;  %类3
c4(1)=200;  %类4
%分为四类
k=4;   
[m,n]=size(Img);
%记录迭代次数
times=0;
%存储分类标识  取值为1 2 3 4
class=zeros(m,n); 
%存储聚类结果
result=zeros(m,n);
%存放每类的像素个数和元素总和
num1=0;num2=0;num3=0;num4=0;
sum1=0;sum2=0;sum3=0;sum4=0;
%先任意给定可以使循环开始的大于1的聚类中心间距值
d1=2;d2=2;d3=2;d4=2;
%% 迭代部分
tic
while((d1>0.01||d2>0.01||d3>0.01||d4>0.01)&times<15)   %限制迭代次数
       times=times+1
%%%%%%%%%%%%%%%%%归类%%%%%%%%%%%%%%%%%%%%%%%%%
       for i=1:m
           for j=1:n
               dis1=(Img(i,j)-c1(times))^2;  %欧式距离 
               dis2=(Img(i,j)-c2(times))^2;
               dis3=(Img(i,j)-c3(times))^2;
               dis4=(Img(i,j)-c4(times))^2;
               min_dis=min([dis1,dis2,dis3,dis4]);
               switch(min_dis)
                   case dis1
                       class(i,j)=1;
                       num1=num1+1;
                       sum1=sum1+Img(i,j);
                   case dis2
                       class(i,j)=2;
                        num2=num2+1;
                        sum2=sum2+Img(i,j);
                   case dis3
                       class(i,j)=3;
                        num3=num3+1;
                        sum3=sum3+Img(i,j);
                    case dis4
                       class(i,j)=4;
                        num4=num4+1;
                        sum4=sum4+Img(i,j);
               end   
           end
       end
       e_new=sqrt(min_dis);
%调整新的聚类中心
c1(times+1)=sum1/num1;
c2(times+1)=sum2/num2;
c3(times+1)=sum3/num3;
c4(times+1)=sum4/num4;
%两次之间的聚类中心变化大小 以此做为终止迭代的标准
d1=abs(c1(times)-c1(times+1));
d2=abs(c1(times)-c1(times+1));
d3=abs(c1(times)-c1(times+1));
d4=abs(c1(times)-c1(times+1));
%在下一次迭代前将每类的加和置0
sum1=0;
sum2=0;
sum3=0;
sum4=0;
num1=0;
num2=0;
num3=0;
num4=0;
end
toc
%%%%%%%%%%%%将聚类后的功率灰度图赋值%%%%%%%%%%%%%%%%%%%
%利用矩阵
result(class==1)=0;
result(class==2)=60;
result(class==3)=150;
result(class==4)=240;
%显示图像
result=uint8(result);  %谨记图像的两种显示格式  uint8和[0,1]
%写入图像
imwrite(mat2gray(result),'D:/image/C-4.bmp');
imshow(result);title('聚类后的结果');
print('Done');