Opencv和pycharm实现k-means对图像的分割处理

用Opencv和pycharm实现k-means对图像的分割处理

注：这个例子只适合学习用，图像处理用k-means就像2021年用大哥大
安装Opncv: https://blog.csdn.net/aspecialpig/article/details/105746760

k-means算法

1.确定聚K类，随机选择K个点为中心点（质心）
2.计算所有样本点各自到K个中心的距离（欧氏距离），根据远近聚类
3.聚类完成后，每个聚类求平均值更新中心，重复上一步迭代
4.直到满足收敛条件（一般是中心点不再改变或者改变很小）
关键：
1.K选择聚几次
2.初始点选择（当前簇中所有数据点的平均值）
3.迭代次数
优点：
1.简单易实现
2.聚类效果中上（靠K和中心点的选择）
3.空间复杂度N，时间复杂度NKI(N样本个数，K中心点个数，I迭代次数）
缺点：
1.对离群点，噪声点敏感（求平均值更新中心点）
2.难区别样本少而且紧密的点
3.大规模数据，收敛速度比较慢（所有数据的平均值）
4.结果不一定全局最优，只是局部最优（与K和初始点选取有关)

代码

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

#读取原始图像
img = cv2.imread('girl.png')
print(img.shape)#高度，宽度，通道数量（可以看成属性），3表示RGB

#图像二维像素转换为一维，每一维上每个像素（样本）有三个属性
#遇到的RGB图像的值是处于0-255之间的，为了更好的处理图像，通常会将图像值转变到0-1之间
#这个处理的过程就是图像的float类型转变为uint8类型过程。
#float类型取值范围 ：-1 到1 或者 0到1
#uint8类型取值范围：0到255
data = img.reshape((-1,3))#属性3个，其他变成一维
print(data.shape)
print(data.dtype)#查看数据类型 是uint8
data = np.float32(data)#将图像uint8转换为float,

#迭代停止模式选择（type, max_iter, epsilon）
#cv2.TERM_CRITERIA_EPS ：精确度（误差）满足epsilon，则停止。
#cv2.TERM_CRITERIA_MAX_ITER：迭代次数超过max_iter，则停止。
#两者结合，满足任意一个结束。
criteria = (cv2.TERM_CRITERIA_EPS +
            cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
#初始点选取
#v2.KMEANS_PP_CENTERS：使用kmeans++算法的中心初始化算法，即初始中心的选择使眼色相差最大.
#cv2.KMEANS_RANDOM_CENTERS：每次随机选择初始中心（Select random initial centers in each attempt.）
flags = cv2.KMEANS_RANDOM_CENTERS
#compactness：紧密度，返回每个点到相应重心的距离的平方和
#labels：结果标记，每个成员被标记为分组的序号，如 0,1,2,3,4...等
#centers：由聚类的中心组成的数组
#K-Means聚类 聚集成2类
compactness2, labels2, centers2 = cv2.kmeans(data, 2, None, criteria, 10, flags)#None处表示分类标签，10表示重复试验10次返回最好一次结果
#K-Means聚类 聚集成4类
compactness3, labels3, centers3 = cv2.kmeans(data, 3, None, criteria, 10, flags)
#K-Means聚类 聚集成8类
compactness4, labels4, centers4 = cv2.kmeans(data, 4, None, criteria, 10, flags)
#K-Means聚类 聚集成16类
compactness5, labels5, centers5 = cv2.kmeans(data, 5, None, criteria, 10, flags)
#K-Means聚类 聚集成64类
compactness32, labels32, centers32 = cv2.kmeans(data, 32, None, criteria, 10, flags)

#图像转换回uint8二维类型,为BGR图像，不是原图
centers2 = np.uint8(centers2)
res = centers2[labels2]
dst2 = res.reshape((img.shape))

centers3 = np.uint8(centers3)
res = centers3[labels3]
dst3 = res.reshape((img.shape))

centers4 = np.uint8(centers4)
res = centers4[labels4]
dst4 = res.reshape((img.shape))

centers5 = np.uint8(centers5)
res = centers5[labels5]
dst5 = res.reshape((img.shape))

centers32 = np.uint8(centers32)
res = centers32[labels32]
dst32 = res.reshape((img.shape))

#BGR图像转换为RGB显示
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)#cv2.COLOR_BGR2RGB 将BGR格式转换成RGB格式
dst2 = cv2.cvtColor(dst2, cv2.COLOR_BGR2RGB)
dst3 = cv2.cvtColor(dst3, cv2.COLOR_BGR2RGB)
dst4 = cv2.cvtColor(dst4, cv2.COLOR_BGR2RGB)
dst5 = cv2.cvtColor(dst5, cv2.COLOR_BGR2RGB)
dst32 = cv2.cvtColor(dst32, cv2.COLOR_BGR2RGB)

#用来正常显示中文标签
plt.rcParams['font.sans-serif']=['SimHei']
#显示图像
titles = [u'原始图像', u'聚类图像 K=2', u'聚类图像 K=3',
          u'聚类图像 K=4', u'聚类图像 K=5',  u'聚类图像 K=32']
images = [img, dst2, dst3, dst4, dst5, dst32]
for i in range(6):
   plt.subplot(2,3,i+1)#2行3列
   plt.imshow(images[i])
   plt.title(titles[i])
   plt.xticks([]),plt.yticks([])#X,Y轴标空
plt.show()

图片

运行结果