OpenCV3.0 Examples学习笔记（13）-kmeans.cpp-kmeans函数实现对图像位置进行聚类

这个系列的目的是通过对OpenCV示例，进一步了解OpenCV函数的使用，不涉及具体原理。

目录

简介

Example运行截图

Example分析

Example代码

简介

本文记录了对OpenCV示例 kmeans .cpp 的分析。

资料地址：资料地址:http://docs.opencv.org/3.0.0/de/d63/kmeans_8cpp-example.html

这个示例主要演示了如何使用 kmeans 对图像位置进行聚类。

示例涉及到 kmeans函数使用。

K-means算法是最为经典的基于划分的聚类方法，是十大经典数据挖掘算法之一。K-means算法的基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。 

假设要把样本集分为c个类别，算法描述如下：

（1）适当选择c个类的初始中心；

（2）在第k次迭代中，对任意一个样本，求其到c个中心的距离，将该样本归到距离最短的中心所在的类；

（3）利用均值等方法更新该类的中心值；

（4）对于所有的c个聚类中心，如果利用（2）（3）的迭代法更新后，值保持不变，则迭代结束，否则继续迭代。

该算法的最大优势在于简洁和快速。算法的关键在于初始中心的选择和距离公式。    

kmeans在OpenCV中声明

kmeans 函数原型: CV_EXPORTS_W double kmeans( InputArray data, int K, InputOutputArray bestLabels,                             TermCriteria criteria, int attempts,                             int flags, OutputArray centers = noArray() ); 参数说明： data： 用于聚类的数据，是N维的数组类型（Mat型），必须浮点型； K： 表示需要聚类的类别数； bestLabels： 聚类后的标签数组，Mat型； criteria： 迭代收敛准则（MAX_ITER最大迭代次数，EPS最高精度）； attempts： 表示尝试的次数，防止陷入局部最优； flags： 表示聚类中心的选取方式（KMEANS_RANDOM_CENTERS 随机选取，KMEANS_P             P_CENTERS使用Arthur提供的算法，KMEANS_USE_INITIAL_LABELS使用初始标签             ）； centers ： 表示聚类后的类别中心。 注意，聚类指对data的值进行聚类，而非位置！如果需要对位置进行聚类，可以考虑将x，y坐标存入CV_32FC2的Mat

    

Example运行截图

鼠标点击次数	效果截图
1
2

注意，如前文提到聚类是针对Mat的值进行的，而非位置，但是这个例子看似将图像的位置进行分类，

但是其实质是将随机位置存入一个N行2列（2列当然是x,y坐标 ）的矩阵中，完成聚类后，再根据结果在原图中绘制。

Example分析

1.声明类簇的最大数量

const int MAX_CLUSTERS = 5;

2.声明绘制类 簇中点的颜色，用于区分不同的类簇

Scalar colorTab[] =

{

    Scalar(0, 0, 255),

    Scalar(0,255,0),

    Scalar(255,100,100),

    Scalar(255,0,255),

    Scalar(0,255,255)

};       

3.创建预览图

Mat img(500, 500, CV_8UC3);

4.声明随机数类

RNG rng(12345);

注意：

（1）  OpenCV中RNG类。它可以压缩一个64位的i整数并可以得到scalar和array的随机数。

目前的版本支持均匀分布随机数和Gaussian分布随机数。随机数的产生采用的是Multiply-With-Carry算法和Ziggurat算法。

其构造函数的初始化可以传入一个64位的整型参数作为随机数产生器的初值。

next可以取出下一个随机数，

uniform函数可以返回指定范围的随机数，

gaussian函数返回一个高斯随机数，

fill函数用随机数填充矩阵。

（2） OpenCV中 还有一些随机数相关的函数，

比如randu可以产生一个均匀分布的随机数或者矩阵，

randn可以产生一个正态分布的随机数，

randShuffle可以随机打乱矩阵元素

5.使用循环反复观察K-means结果

for(;;)

{

    ...

    

    char key = (char)waitKey();

    if( key == 27 || key == 'q' || key == 'Q' ) // 'ESC'

            break;

}

注意：

（1）这样的方式常用于批量样本测试，或使用随机量反复观察

6.具体分析for循环中代码

6.1通过随机数获取类簇的数量（数量在2到5之间）

int k, clusterCount = rng.uniform(2, MAX_CLUSTERS+1);

注意：

（1）cv:: RNG 的uniform取随机值区间为[a ,b)，前闭后开，因此类似此处取2至5应该使用参数[2,6)

6.2通过随机数获取样本数量（数量在1到1000之间）

int i, sampleCount = rng.uniform(1, 1001);

6.3创建测试聚类样本矩阵,行数为样本数量，列数为1

Mat points(sampleCount, 1, CV_32FC2), labels;

注意：

（1）聚类算法是对Mat的值进行聚类，因此使用行/列矩阵就可以，很多初学者以为是对图像的位置进行聚类，那是错的。

如果希望对图像的位置进行聚类，只能将其位置信息作为值重新装入一个Mat，再进行聚类。

（2）因为是将位置存入Mat进行聚类，包含x，y信息，所以此处当然选用 CV_32FC2 。

6.4根据样本数量和预设类簇数量进行检测，如果样本数量小于类簇数量，则修改类簇数量

clusterCount = MIN(clusterCount, sampleCount);

6.5中心点（为了确保采用K-Means算法能够找到预期的聚类，因此随机点是根据中心值波动的）

Mat centers;

6.6根据类簇数量绘制随机样本（如前文提到为了确保采用K-Means算法能够找到预期的聚类，因此随机点是根据中心值波动的，并且有多少预设类簇就有多少中心点）

/* generate random sample from multigaussian distribution */

for( k = 0; k < clusterCount; k++ )

{

     Point center;

     center.x = rng.uniform(0, img.cols);

     center.y = rng.uniform(0, img.rows);

     Mat pointChunk = points.rowRange(k*sampleCount/clusterCount,

                                     k == clusterCount - 1 ? sampleCount :

                                     (k+1)*sampleCount/clusterCount);

     rng.fill(pointChunk, RNG::NORMAL, Scalar(center.x, center.y), Scalar(img.cols*0.05, img.rows*0.05));

}

此处流程：

（1）遍历每一个类簇，k

（2）在图像中随机选取一个中心点center，其坐标随机

（3）根据当前类簇对测试样本获取其制定区域（行）pointChunk ，算法为

        a.将这个样本平均分为clusterCount分区，起始值为第k个分区起始位置；

        b.判断 k 为最后一个分区（总之为了取得平均分区的区域）

            b.1.如果是，末尾位置为最后一行；

            b.2.如果不是，末尾位置为当前分区的终止位置。

（4）对pointChunk 进行随机填充（根据中心值波动，并且波动值很小）

注意：

（1）Mat:: rowRange, 取example中特定范围的行列构成矩阵

（2）RNG::fill,对Mat的值进行范围内随机填充（随机是指值随机，而不是位置随机，Mat中的每一个元素都会有一个随机值）

6.7随机打乱矩阵元素

randShuffle(points, 1, &rng);

6.8调用kmeans

kmeans(points, clusterCount, labels,

            TermCriteria( TermCriteria::EPS+TermCriteria::COUNT, 10, 1.0),

            3, KMEANS_PP_CENTERS, centers);

6.9预览图背景为黑色

img = Scalar::all(0);

6.10根据points中存储位置，和labels中存储的分类，对结果采用不同颜色进行绘制区分

for( i = 0; i < sampleCount; i++ )

{

    int clusterIdx = labels.at<int>(i);

    Point ipt = points.at<Point2f>(i);

    circle( img, ipt, 2, colorTab[clusterIdx], FILLED, LINE_AA );

}

6.11显示预览图

imshow("clusters", img);

Example代码

#include "opencv2/highgui.hpp"
#include "opencv2/core.hpp"
#include "opencv2/imgproc.hpp"
#include <iostream>

using namespace cv;
using namespace std;

// static void help()
// {
//     cout << "\nThis program demonstrates kmeans clustering.\n"
//             "It generates an image with random points, then assigns a random number of cluster\n"
//             "centers and uses kmeans to move those cluster centers to their representitive location\n"
//             "Call\n"
//             "./kmeans\n" << endl;
// }

int main( int /*argc*/, char** /*argv*/ )
{
    const int MAX_CLUSTERS = 5;
    Scalar colorTab[] =
    {
        Scalar(0, 0, 255),
        Scalar(0,255,0),
        Scalar(255,100,100),
        Scalar(255,0,255),
        Scalar(0,255,255)
    };

    Mat img(500, 500, CV_8UC3);
    RNG rng(12345);

    for(;;)
    {
        int k, clusterCount = rng.uniform(2, MAX_CLUSTERS+1);
        int i, sampleCount = rng.uniform(1, 1001);
        Mat points(sampleCount, 1, CV_32FC2), labels;

        clusterCount = MIN(clusterCount, sampleCount);
        Mat centers;

        /* generate random sample from multigaussian distribution */
        for( k = 0; k < clusterCount; k++ )
        {
            Point center;
            center.x = rng.uniform(0, img.cols);
            center.y = rng.uniform(0, img.rows);
            Mat pointChunk = points.rowRange(k*sampleCount/clusterCount,
                                             k == clusterCount - 1 ? sampleCount :
                                             (k+1)*sampleCount/clusterCount);
            rng.fill(pointChunk, RNG::NORMAL, Scalar(center.x, center.y), Scalar(img.cols*0.05, img.rows*0.05));
        }

        randShuffle(points, 1, &rng);

        kmeans(points, clusterCount, labels,
            TermCriteria( TermCriteria::EPS+TermCriteria::COUNT, 10, 1.0),
               3, KMEANS_PP_CENTERS, centers);

        img = Scalar::all(0);

        for( i = 0; i < sampleCount; i++ )
        {
            int clusterIdx = labels.at<int>(i);
            Point ipt = points.at<Point2f>(i);
            circle( img, ipt, 2, colorTab[clusterIdx], FILLED, LINE_AA );
        }

        imshow("clusters", img);

        char key = (char)waitKey();
        if( key == 27 || key == 'q' || key == 'Q' ) // 'ESC'
            break;
    }

    return 0;
}

参考资料:

1.《 OpenCV学习笔记（十二）——随机数产生器RNG 》

2.《 Mat类中的rowRange和colRange的用法 》

3.《 K-means之C++及OpenCV实现 》

4.《 opencv中的Kmeans使用示例 》

5.《 opencv 图像的深度和通道介绍 》