K-means在图像阈值分割上的应用

最新推荐文章于 2023-02-13 10:43:27 发布

Zhaohui_Zhang

最新推荐文章于 2023-02-13 10:43:27 发布

阅读量908

点赞数

分类专栏：三维数字岩芯模型的几何相似性判别及建模还原度评价

本文链接：https://blog.csdn.net/Zhaohui_Zhang/article/details/120518780

版权

python kmeans算法图像处理

三维数字岩芯模型的几何相似性判别及建模还原度评价专栏收录该内容

11 篇文章 4 订阅

订阅专栏

参考冈萨雷斯《数字图像处理》第四版，其中提到了K均值聚类算法可用于图像分割，所以我整理了网上一些资源做了如下测试实验。

代码部分实测输入灰度图像和彩色图像都适用

代码部分：

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

def seg_kmeans_gray():
    #读取图片
    img = cv2.imread('E:/shale10053.bmp', cv2.IMREAD_GRAYSCALE)#这里我输入的是灰度图像，彩色图像同样适用

    # 展平
    img_flat = img.reshape((img.shape[0] * img.shape[1], 1))
    img_flat = np.float32(img_flat)

    # 迭代参数
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TermCriteria_MAX_ITER, 20, 0.5)
    flags = cv2.KMEANS_RANDOM_CENTERS

    # 进行聚类
    compactness, labels, centers = cv2.kmeans(img_flat, 2, None, criteria, 10, flags)#这里可以设定聚成几类               
    print(centers)
    a = (centers[0]+centers[1])/2 
    print(a)#a是两个聚类中心点的均值，这里我把它理解成为这张二值图像的阈值（不知道对不对）
    # 显示结果
    img_output = labels.reshape((img.shape[0], img.shape[1]))
    plt.figure(figsize=(5,5)),plt.subplot(), plt.imshow(img_output, 'gray'), plt.title('kmeans')
    plt.show()


if __name__ == '__main__':
    seg_kmeans_gray()

运行结果：

其中59.2372和77.23244分别是两个聚类中心，我的理解是算法分析灰度图像对应的二维矩阵中的灰度值，把256*256大小的灰度图像中的65536个灰度值进行聚类，然后分别得到了这两个聚类中心。我对这两个聚类中心求了平均作为整幅图的分割阈值（这样处理明显逻辑上不通，有办法的小伙伴欢迎指出）

原图像：