k-means算法及opencv实现

最新推荐文章于 2024-08-08 18:50:35 发布

陈纪建

最新推荐文章于 2024-08-08 18:50:35 发布

阅读量923

点赞数 1

分类专栏： opencv

27 篇文章 0 订阅

订阅专栏

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，对任意一样本，求其到c个中心的距离，将其归类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) 重复步骤(2)(3)，直到聚类中心保持不变。

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。[百度百科]

K-means在opencv中的实现：

void kmeans_mat(const Mat& src_img,Mat& dst_img)
{
int width_src=src_img.cols;
int height_src=src_img.rows;
Mat samples=Mat::zeros(width_src*height_src,1,CV_32FC3);//创建样本矩阵，CV_32FC3代表32位浮点3通道（彩色图像）
Mat clusters;//类别标记矩阵
int k=0;
for (int i=0;i<height_src;i++)
{
for (int j=0;j<width_src;j++,k++)
{
//将像素点三通道的值按顺序排入样本矩阵
samples.at<Vec3f>(k,0)[0]=(float)src_img.at<Vec3b>(i,j)[0];
samples.at<Vec3f>(k,0)[1]=(float)src_img.at<Vec3b>(i,j)[1];
samples.at<Vec3f>(k,0)[2]=(float)src_img.at<Vec3b>(i,j)[2];
}
}
int nCuster=2;//聚类类别数，自己修改。
//聚类，KMEANS PP CENTERS Use kmeans++ center initialization by Arthur and Vassilvitskii
kmeans(samples,nCuster,clusters,TermCriteria(CV_TERMCRIT_EPS+CV_TERMCRIT_ITER,10,1.0),2,KMEANS_PP_CENTERS);
//显示聚类结果
if (dst_img.empty())
{
dst_img=Mat::zeros(height_src,width_src,CV_8UC1);
}
k=0;
int val=0;
float step=255/(nCuster-1);
for (int i=0;i<height_src;i++)
{
for (int j=0;j<width_src;j++,k++)
{
val=255-clusters.at<int>(k,0)*step;//int
dst_img.at<uchar>(i,j)=val;
}
}
}