opencv机器学习之K值聚类

1.原理

2.opencv中的K值聚类

代码速记：

• cv2.kmeans()

参数解释：

criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
flags = cv2.KMEANS_RANDOM_CENTERS
compactness, labels, centers = cv2.kmeans(z, 2, None, criteria, 10, flags)

（1）输入参数

• samples: 应该是np.float32 类型的数据，每个特征应该放在一列。
• nclusters(K): 聚类的最终数目。
• criteria: 终止迭代的条件。当条件满足时，算法的迭代终止。它应该是一个含有3 个成员的元组，它们是（typw，max_iter，epsilon）：
  • type 终止的类型：有如下三种选择： cv2.TERM_CRITERIA_EPS 只有精确度epsilon 满足是停止迭代。 cv2.TERM_CRITERIA_MAX_ITER 当迭代次数超过阈值时停止迭代。 cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER上面的任何一个条件满足时停止迭代。
  • max_iter 表示最大迭代次数。
  • attempts: 使用不同的起始标记来执行算法的次数。算法会返回紧密度
    最好的标记。紧密度也会作为输出被返回。
• flags：用来设置如何选择起始重心。通常我们有两个选择：cv2.KMEANS_PP_CENTERS和cv2.KMEANS_RANDOM_CENTERS。

输出参数：

• compactness：紧密度，返回每个点到相应重心的距离的平方和。
• labels：标志数组（与上一节提到的代码相同），每个成员被标记为0，1等。
• centers：由聚类的中心组成的数组。

（1）只有一个特征的数据

假设我们有一组数据，每个数据只有一个特征（1 维）。我们只使用人们的身高来决定T 恤的大小。我们先来产生一些随机数据，并使用Matplotlib 将它们绘制出来。

def one_feature(self):
    #随机产生数据并绘制
    x = np.random.randint(25, 100, 25)#low,high,size
    y = np.random.randint(175, 255, 25)#low,high,size
    z = np.hstack((x, y))
    z = z.reshape((50, 1))#长度为50的列向量
    z