cvKMeans函数详解

最新推荐文章于 2022-08-22 17:50:16 发布
最新推荐文章于 2022-08-22 17:50:16 发布
阅读量6.7k 收藏 1
点赞数
文章标签： random 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lzg188/article/details/6449622
版权

KMeans2
按照给定的类别数目对样本集合进行聚类  

void cvKMeans2( const CvArr* samples, int cluster_count,
                 CvArr* labels, CvTermCriteria termcrit );
samples  
输入样本的浮点矩阵，每个样本一行。  


cluster_count  
所给定的聚类数目  


labels  
输出整数向量：每个样本对应的类别标识，在 cluster_count  内。

termcrit  
指定聚类的最大迭代次数和／或精度（两次迭代引起的聚类中心的移动距离） 

 
函数 cvKMeans2 执行 k-means 算法 搜索 cluster_count 个类别的中心并对样本进行分类，输出 labels(i) 为样本 i 的类别标识。  

例子. 用 k-means 对高斯分布的随机样本进行聚类  

C/C++ code 



   
   

    
    
    
    

#include 
    
    "
    
    cxcore.h
    
    "
    
    

#include 
    
    "
    
    highgui.h
    
    "
    
    




    
    int
    
     main( 
    
    int
    
     argc, 
    
    char
    
    **
    
     argv )

{

    
    
    #define
    
     MAX_CLUSTERS 5
    
    

    CvScalar color_tab[MAX_CLUSTERS];

    IplImage
    
    *
    
     img 
    
    =
    
     cvCreateImage( cvSize( 
    
    500
    
    , 
    
    500
    
     ), 
    
    8
    
    , 
    
    3
    
     );

    CvRNG rng 
    
    =
    
     cvRNG(
    
    0xffffffff
    
    );

    

    color_tab[
    
    0
    
    ] 
    
    =
    
     CV_RGB(
    
    255
    
    ,
    
    0
    
    ,
    
    0
    
    );

    color_tab[
    
    1
    
    ] 
    
    =
    
     CV_RGB(
    
    0
    
    ,
    
    255
    
    ,
    
    0
    
    );

    color_tab[
    
    2
    
    ] 
    
    =
    
     CV_RGB(
    
    100
    
    ,
    
    100
    
    ,
    
    255
    
    );

    color_tab[
    
    3
    
    ] 
    
    =
    
     CV_RGB(
    
    255
    
    ,
    
    0
    
    ,
    
    255
    
    );

    color_tab[
    
    4
    
    ] 
    
    =
    
     CV_RGB(
    
    255
    
    ,
    
    255
    
    ,
    
    0
    
    );



    cvNamedWindow( 
    
    "
    
    clusters
    
    "
    
    , 
    
    1
    
     );



    
    
    for
    
    (;;)

    {

        
    
    int
    
     k, cluster_count 
    
    =
    
     cvRandInt(
    
    &
    
    rng)
    
    %
    
    MAX_CLUSTERS 
    
    +
    
     
    
    1
    
    ;

        
    
    int
    
     i, sample_count 
    
    =
    
     cvRandInt(
    
    &
    
    rng)
    
    %
    
    1000
    
     
    
    +
    
     
    
    1
    
    ;

        CvMat
    
    *
    
     points 
    
    =
    
     cvCreateMat( sample_count, 
    
    1
    
    , CV_32FC2 );

        CvMat
    
    *
    
     clusters 
    
    =
    
     cvCreateMat( sample_count, 
    
    1
    
    , CV_32SC1 );



        
    
    /*
    
     generate random sample from multigaussian distribution 
    
    */
    
    

        
    
    for
    
    ( k 
    
    =
    
     
    
    0
    
    ; k 
    
    <
    
     cluster_count; k
    
    ++
    
     )

        {

            CvPoint center;

            CvMat point_chunk;

            center.x 
    
    =
    
     cvRandInt(
    
    &
    
    rng)
    
    %
    
    img
    
    ->
    
    width;

            center.y 
    
    =
    
     cvRandInt(
    
    &
    
    rng)
    
    %
    
    img
    
    ->
    
    height;

            cvGetRows( points, 
    
    &
    
    point_chunk, k
    
    *
    
    sample_count
    
    /
    
    cluster_count,

                       k 
    
    ==
    
     cluster_count 
    
    -
    
     
    
    1
    
     
    
    ?
    
     sample_count : (k
    
    +
    
    1
    
    )
    
    *
    
    sample_count
    
    /
    
    cluster_count );

            cvRandArr( 
    
    &
    
    rng, 
    
    &
    
    point_chunk, CV_RAND_NORMAL,

                       cvScalar(center.x,center.y,
    
    0
    
    ,
    
    0
    
    ),

                       cvScalar(img
    
    ->
    
    width
    
    /
    
    6
    
    , img
    
    ->
    
    height
    
    /
    
    6
    
    ,
    
    0
    
    ,
    
    0
    
    ) );

        }



        
    
    /*
    
     shuffle samples 
    
    */
    
    

        
    
    for
    
    ( i 
    
    =
    
     
    
    0
    
    ; i 
    
    <
    
     sample_count
    
    /
    
    2
    
    ; i
    
    ++
    
     )

        {

            CvPoint2D32f
    
    *
    
     pt1 
    
    =
    
     (CvPoint2D32f
    
    *
    
    )points
    
    ->
    
    data.fl 
    
    +
    
     cvRandInt(
    
    &
    
    rng)
    
    %
    
    sample_count;

            CvPoint2D32f
    
    *
    
     pt2 
    
    =
    
     (CvPoint2D32f
    
    *
    
    )points
    
    ->
    
    data.fl 
    
    +
    
     cvRandInt(
    
    &
    
    rng)
    
    %
    
    sample_count;

            CvPoint2D32f temp;

            CV_SWAP( 
    
    *
    
    pt1, 
    
    *
    
    pt2, temp );

        }



        cvKMeans2( points, cluster_count, clusters,

                   cvTermCriteria( CV_TERMCRIT_EPS
    
    +
    
    CV_TERMCRIT_ITER, 
    
    10
    
    , 
    
    1.0
    
     ));



        cvZero( img );



        
    
    for
    
    ( i 
    
    =
    
     
    
    0
    
    ; i 
    
    <
    
     sample_count; i
    
    ++
    
     )

        {

            CvPoint2D32f pt 
    
    =
    
     ((CvPoint2D32f
    
    *
    
    )points
    
    ->
    
    data.fl);

            
    
    int
    
     cluster_idx 
    
    =
    
     clusters
    
    ->
    
    data.i;

            cvCircle( img, cvPointFrom32f(pt), 
    
    2
    
    , color_tab[cluster_idx], CV_FILLED );

        }



        cvReleaseMat( 
    
    &
    
    points );

        cvReleaseMat( 
    
    &
    
    clusters );



        cvShowImage( 
    
    "
    
    clusters
    
    "
    
    , img );



        
    
    int
    
     key 
    
    =
    
     cvWaitKey(
    
    0
    
    );

        
    
    if
    
    ( key 
    
    ==
    
     
    
    27
    
     ) 
    
    //
    
     'ESC'
    
    


    
                
    
    break
    
    ;

    }

}
hike188
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
【Machine Learning】OpenCV中的K-means聚类
guduruyu的专栏
11-17 3442
在上一篇（【Machine Learning】K-means算法及优化）中，我们介绍了K-means算法的基本原理及其优化的方向。opencv中也提供了K-means算法的接口，这里主要介绍一下如何在python+opencv的环境下，使用k-means接口。
cvKMeans2函数用法概述
weixin_30925411的博客
04-17 425
一般情况下，我们通过C++/Matlab/Python等语言进行实现K-means算法，结合近期我刚刚学的C++，先从C++实现谈起，C++里面我们一般采用的是OpenCV库中写好的K-means函数，即cvKmeans2，首先来看函数原型： 从OpenCV manual看到的是： int cvKMeans2(const CvArr* samples, int ncl...
OpenCV4机器学习（六）：K-means原理及实现
不积跬步，无以至千里！
09-06 4457
本专栏主要结合OpenCV4，来实现一些基本的图像处理操作、经典的机器学习算法（比如K-Means、KNN、SVM、决策树、贝叶斯分类器等），以及常用的深度学习算法。
cv::kmeans code snippet
ddkxddkx的专栏
05-30 1104
<br />It was impossible for me to find in the Internet a sample of usage of kmeans with the new C++ interface. <br /><br />So, as I finally made it, I thought that it would be a good idea to post it here hoping to save someone's time. <br /><br />cv::Mat s
聚类算法——KMeans(K-均值)
DDsoup 24小时不打烊芜湖！
04-04 9484
聚类的概念 聚类是一种机器学习技术，它涉及到数据点的分组。给定一组数据点，我们可以使用聚类算法将每个数据点划分为一个特定的组。理论上，同一组中的数据点应该具有相似的属性和/或特征，而不同组中的数据点应该具有高度不同的属性和/或特征。聚类是一种无监督学习的方法，是许多领域中常用的统计数据分析技术。 聚类和分类最大的不同在于：分类的目标是事先已知的，而聚类则不一样，聚类事先不知道目标变量是什么，类别没有像分类那样被预先定义出来。这也是聚类存在的意义。 聚类的过程 1. 数...
Opencv cvKmeans2进行灰度图像和彩色图像聚类
08-27
利用opencv的cvKMeans2进行聚类分析，并给出测试代码，希望对大家有所帮助
Opencv Kmeans聚类进行图像颜色聚类分割（绝对有用）
04-28
该程序利用OpenCV中的K均值聚类函数Kmeans2对图像进行颜色聚类，达到分割的目的。 编写此函数的目的是：Kmeans2函数的用法有些难掌握，参考资料少，尤其是对图像进行操作的例子少，我找了很久也找不到, 找到的例子也...
K_meanscluster
09-24
在这个名为“K_meanscluster”的压缩包中，包含了一系列与KMeans聚类相关的MATLAB代码，包括三个文件：cvKmeans.m、cvEucdist.m和cvKmeansDemo.m。接下来，我们将深入探讨这些文件背后的理论知识和实现细节。 首先...
KMeans Application with C#
08-26
提供的文件`CVKMeans.sln`是一个Visual Studio解决方案，其中可能包含了完整的KMeans应用项目。`CVKMeans`可能是项目的主程序或类库。通过打开并编译此解决方案，你可以查看源代码，了解实际的实现细节，包括数据...
Opencv 关于Kmeans算法
qq_45445740的博客
11-18 2948
KMeans算法是数据聚类的重要算法之一。本文将对该算法进行原理的简单介绍以及API函数的介绍，同时举出两个例子：基于kmeans对数据的聚类和基于kmeans对图像的分割。 （PS：作为学习Opencv的小白，及时记录所学习的东西，以便以后自己查阅方便。） 一.KMeans方法概述 无监督学习方法 （不需要人为干预定义什么类，自动执行） 分类问题，输入分类数目，初始化中心位置 硬分类方法，以距...
CV学习-1 k-means代码解读
kaggle expert，全球排名前1000，清华计算机研究生，兴趣算法工程
04-07 357
感觉很多东西学了就忘，学的数量多但不一定能记住，所以重新回归博客开始写笔记，水平很差，仅限自己学习。 这在jupyter notebook中写的代码的笔记。首先是几行头部代码的解释 %matplotlib inline #这行代码的意思是在notebook内部嵌入matplotlib的图像，而不是在新的页面弹出一个窗口显示 import numpy as np #导入numpy库，并...
python 密度聚类 使用_OpenCV-Python 使用K-Means聚类
weixin_39787594的博客
11-20 414
目标了解如何在OpenCV中使用cv.kmeans()函数进行数据聚类理解参数输入参数sample：它应该是np.float32数据类型，并且每个功能都应该放在单个列中。nclusters(K)：结束条件所需的簇数criteria：这是迭代终止条件。满足此条件后，算法迭代将停止。实际上，它应该是3个参数的元组。它们是(type,max_iter,epsilon)： a. 终止条件的类型。它具有3个...
CV复习：K-means聚类
最新发布
pomelo的博客
08-22 520
CV复习：K-means聚类
opencv kmeans (C++)
qq_40622955的博客
02-10 5401
opencv(C++)的kmeans
OpenCV学习入门（三）：kmeans原理及代码
计算机视觉life
05-15 5903
Kmeans是一种非监督的聚类方法，是最常用的聚类技术之一。kmeans尝试找到数据的自然类别，通过用户设定的类别个数K，它可以快速的找到“好的”类别中心，“好的”意味着聚类中心位于数据的自然中心。 （一）算法步骤 Kmeans算法一般步骤如下： 1、输入样本数据集合和用户指定的类别数K。 2、分配类别初始化中心点的位置（随机或指定）。 3、将每个样本点放入离它最近的聚类中心所在的集合。
【opencv】OpenCV中的KMeans算法介绍与应用（二）
古月的博客
07-05 1934
OpenCV中的KMeans算法介绍与应用 KMeans算法是MacQueen在1967年提出的，是最简单与最常见的数据分类方法之一。它做为一种常见数据分析技术在机器学习、数据挖掘、模式识别、图像分析等领域都有应用。如果从分类角度看，KMeans属于硬分类即需要人为指定分类数目，而MeanSift分类方法则可以根据收敛条件自动决定分类数目。 作者：贾志刚来源：51CTO.com|201
Opencv Python版学习笔记（七）k均值-k-means
gjy095的专栏
07-04 2085
k-均值是一种基于形心得技术，首先从对象中随机选择k个对象，每个对象代表簇的初始均值或中心。对剩下的每个对象，根据其与各个簇中心的欧式距离，将它分配到最相似的簇。然后，k-均值算法迭代地盖伞簇内变差。对于每个簇，它使用上次迭代分配到的该簇对象，计算新的均值。然后，使用更新的均值最为新的簇的中心，重新分配所有对象。迭代继续，知道分配稳定，即本轮形成的簇与前一轮形成的簇相同。 k-均值通常对离群点比
Opencv之Kmeans算法实现
五仁月饼哭了的博客
09-22 2773
一、原理       在machine learning 中已经详细的介绍了，参http://blog.csdn.net/qq_29540745/article/details/52621383.在使用kmeans之前，必须先了解kmeans算法的2个缺点：第一是必须人为指定所聚的类的个数k；第二是如果使用欧式距离来衡量相似度的话，可能会得到错误的结果，因为没有考虑到属性的重要性和相关性。为了减
opencv之kmeans原理与分割实例
weixin_46096032的博客
08-05 1316
opencv之K-Means原理与实现方法（C++和python版本） KMeans原理 今天记录一下opencv中kmeans中的原理以及图像分割的一个实例，K-Means是对数据进行分类的算法，属于无监督学习的一种。 首先需要确定对图像进行类别的数目确定，即需要知道几个类别，然后每个类别都有一个中心点 然后根据距离来决定每个数据点属于哪个类别标签，一次循环实现对所有数据点分类之后，直到指定的循环次数或者前后两次的delta小于指定阈值，停止计算得到最终的样本数据的标签。 先讲讲opencv中KMeans
opencv2.4.9中K-means算法理解
CHIERYU的专栏
11-26 2567
K-means算法 opencv中文版原文描述是：K均值是一种非监督的聚类方法，使用K个均值来表示数据的分布，其中K由用户定义。该方法跟期望最大化方法的区别是K均值的中心不是高斯分布，而且因为各个中心竞争去“俘获”最近的点，所以聚类更像肥皂泡。该方法由Steinhaus发明，并由Lloyd推广使用。 K均值有以下3个问题. 1.它不能保证找到定位聚类中心的最佳方案，但是它能保证能收敛到某个解决方案

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值