K-Means分类

一、原理

1. 请见这篇博客。
2. K-Means分类的主要步骤为：
   ① 给定聚类中心个数K；
   ② 随机选取K个聚类中心点μ1, μ2, … ,μK；每个中心点对应一个类别；
   ③ 对于每一个特征点xi，根据到聚类中心的距离计算其所属类别 ck (k=1,2,…,K)，其中 ck=argminj||xi-μj||2；

④对每一类k，根据其包含的所有特征点更新均值μk；
⑤重复步骤3-4，直至μ1, μ2, … ,μK不再改变。

二、代码

（一）调用opencv函数

参考了这位博主的代码：

import cv2
import numpy as np

########## Begin ##########
# 对图像用kmeans聚类
# 显示图片的函数
def show(winname,src):
    cv2.namedWindow(winname,cv2.WINDOW_GUI_NORMAL)
    cv2.imshow(winname,src)
    cv2.waitKey()

img = cv2.imread('D:/cherry.png')
o = img.copy()
print(img.shape)
# 将一个像素点的rgb值作为一个单元处理，这一点很重要
data = img.reshape((-1,3))
print(data.shape)
# 转换数据类型
data = np.float32(data)
# 设置Kmeans参数
critera = (cv2.TermCriteria_EPS+cv2.TermCriteria_MAX_ITER,10,0.1)
flags = cv2.KMEANS_RANDOM_CENTERS
# 对图片进行四分类
r,best,center = cv2.kmeans(data,3,None,criteria=critera,attempts=10,flags=flags)
print(r)
print(best.shape)
print(center)
center = np.uint8(center)
# 将不同分类的数据重新赋予另外一种颜色，实现分割图片
data[best.ravel()==1] = (0,0,0)
data[best.ravel()==0] = (255,0,0)
data[best.ravel()==2] = (0,0,255)
data[best.ravel()==3] = (0,255,0)
# 将结果转换为图片需要的格式
data = np.uint8(data)
oi = data.reshape((img.shape))
# 显示图片
show('img',img)
show('res',oi)

检测效果如下：

（二）不调用函数

1. 处理图片

要将图片中一个像素点的rgb值作为一个单元处理，首先要搞清楚图片在python中是如何存储的。
假如一张彩色图片的大小为 384 * 512，即有 384 行，512 列，那么我们看python中显示的 img 数组如下：

这是 img[0]，即图像第一行每个像素点 rgb 的值。同理， img[383] 就是图像最后一行每个像素点 rgb 的值：

当我们输入 img[384] 时，显示没有这一层，也就是说彩色图像是按每一行的像素点来保存的：

彩色图像显然是用三维数组来表示的，我们要将每个像素点的rgb值作为一个单元来处理，那么我们首先要将它转变为一个二维数组，这里用到了 reshape() 函数，关于这个函数的讲解请看这篇博客。总之就是将图像这个三维数组转变成二维数组（也就是将二维图像转变成一维，分成3列）， reshape((-1, 3)) 即转变为有三列的二维数组，故每一行变成了
（384 * 512 * 3）/ 3 = 196608 个元素：


也就是每个数组由一个像素点的rgb三个值组成，也就是将一个像素点的rgb当作了一个单元。

（三）改进距离

link1
link2

（四）错误

1. 将数组进行拼接

2. 布尔操作错误

原本代码如图所示：

def newCenter2(point, new_kclass):  # 求每组的平均值以确定中心
    newCenter = np.zeros((3, 3))  # 初始化一个（3，3）的矩阵,用来存放分类类别
    point2 = np.c_[point, new_kclass]  # 将像素点与类别拼接成一个数组
    point_class = point2.astype(int)
    for i in range(3):  # 分别计算类别为0,1的平均值，保存为一个（K，2）的二维数组
        point3 = point_class[point_class[3] == i]
        newCenter[i] = point3[["x", "y"]].mean(axis=0)
    return newCenter

错误如下图所示：

在CSDN上看了一下别人的回答，大概是这个样子。
但我没找到那个get_support（）函数，错误中也没体现，所以我将代码改为如下形式：

def newCenter2(point, new_kclass):  # 求每组的平均值以确定中心
    newCenter = np.zeros((3, 3))  # 初始化一个（3，3）的矩阵,用来存放分类类别
    point2 = np.c_[point, new_kclass]  # 将像素点与类别拼接成一个数组
    point_class = point2.astype(int)
    for i in range(3):  # 分别计算类别为0,1的平均值，保存为一个（K，2）的二维数组
        if point_class[3] == i:
            point3 = point_class
       		newCenter[i] = point3[["x", "y"]].mean(axis=0)
    return newCenter

然后报错如下：

这时