图像分割系列2_KMeans对随机生成数据进行分类

OpenCV图像分割资料分享：贾志刚的OpenCV图像分割实战视频教程全套资料（包含配套视频、配套PPT的PDF文件、源码和用到的图片素材等）

KMeans方法概述

1. 无监督学习方法（整个过程不需要人为干预）
2. 分类问题，输入分类数目，初始化中心位置
3. 硬分类方法，以距离度量（离那个中心点近就被划分为哪一类）
4. 迭代分类为聚类（不断迭代寻找最优中心点）

基本流程：

相关API：

实例2：KMeans对随机生成数据进行分类

#include <opencv2/opencv.hpp>
#include <iostream>
 
using namespace cv;
using namespace std;
 
int main(int argc, char** argv) {
	Mat img(500, 600, CV_8UC3);//定义一张图
	RNG rng(12345);//定义随机数
	//不同类定义为不同颜色
	Scalar colorTab[] = {
		Scalar(0, 0, 255),
		Scalar(0, 255, 0),
		Scalar(255, 0, 0),
		Scalar(0, 255, 255),
		Scalar(255, 0, 255)
	};
 
	int numCluster = rng.uniform(2, 5);//定义分类种类数量块
	printf("number of clusters : %d\n", numCluster);
	//设置从原图像中抽取多少个数据点
	int sampleCount = rng.uniform(5, 1000);
	Mat points(sampleCount, 1, CV_32FC2);
	Mat labels;
	Mat centers;
 
	// 生成随机数
	for (int k = 0; k < numCluster; k++) {
		Point center;
		center.x = rng.uniform(0, img.cols);
		center.y = rng.uniform(0, img.rows);
		//得到不同小块
		Mat pointChunk = points.rowRange(k*sampleCount / numCluster, 
			k == numCluster - 1 ? sampleCount : (k + 1)*sampleCount / numCluster);
		//用随机数对小块点进行填充
		rng.fill(pointChunk, RNG::NORMAL, Scalar(center.x, center.y), Scalar(img.cols*0.05, img.rows*0.05));
	}
	randShuffle(points, 1, &rng);
 
	// 使用KMeans
	kmeans(points, numCluster, labels, TermCriteria(TermCriteria::EPS + TermCriteria::COUNT, 10, 0.1), 3, KMEANS_PP_CENTERS, centers);
 
	// 用不同颜色显示分类
	img = Scalar::all(255);
	for (int i = 0; i < sampleCount; i++) {
		int index = labels.at<int>(i);
		Point p = points.at<Point2f>(i);
		circle(img, p, 2, colorTab[index], -1, 8);
	}
 
	// 每个聚类的中心来绘制圆
	for (int i = 0; i < centers.rows;  i++) {
		int x = centers.at<float>(i, 0);
		int y = centers.at<float>(i, 1);
		printf("c.x= %d, c.y=%d", x, y);
		circle(img, Point(x, y), 40, colorTab[i], 1, LINE_AA);
	}
 
	imshow("KMeans-Data-Demo", img);
	waitKey(0);
	return 0;
}

可见，随机生成的数据被分成了四块，每块的中心坐标如下：