K-Means 聚类算法 参数解析

K-Means聚类算法的原理流程：

• 第一步：确定K值，聚类成K个类簇。
• 第二步：从数据中随机选择（或按照某种方式）K个数据点作为初始分类的中心。
• 第三步：分别计算数据中每个点到每个中心的距离，将每个点划分到离中心最近的类中
• 第四步：当每个中心都划分了一些点后，去每个类的均值，选出新的中心。
• 第五步：比较新的中心和之前的中心，如果新的中心和之前的中心之间的距离小于某阈值，或迭代次数超过某阈值，认为聚类已经收敛，终止。
• 第六步：否则继续迭代执行第三到五步，直到第五步满足。

函数原型：

retval, bestLabels, centers = kmeans(data, K, bestLabels, criteria, attempts, flags, centers=None)

函数参数：

• data: 需要分类数据，最好是np.float32的数据，每个特征放一列。

• K: 聚类个数

• bestLabels：预设的分类标签或者None

• criteria：迭代停止的模式选择，这是一个含有三个元素的元组型数。格式为（type, max_iter, epsilon） 其中，type有如下模式：

  • 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。
  • cv2.TERM_CRITERIA_EPS+cv2.TERM_CRITERIA_MAX_ITER：两者结合，满足任意一个结束。

• attempts：重复试验kmeans算法次数，将会返回最好的一次结果

• flags：初始中心选择，可选以下两种：

  • 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.详细可查阅kmeans++算法。(Use kmeans++ center initialization by Arthur and Vassilvitskii)
  • cv2.KMEANS_RANDOM_CENTERS：每次随机选择初始中心（Select random initial centers in each attempt.）

返回值：

• 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

    import cv2
    import numpy as np
    import matplotlib.pyplot as plt
     
    #读取原始图像
    img = cv2.imread('img/autumn.png')
    print(img.shape)
    #(486, 654, 3)
    #图像二维像素转换为一维
    #转换成3列
    data = img.reshape((-1,3))
    data = np.float32(data)
     
    #定义终止条件 (type,max_iter,epsilon)
    criteria = (cv2.TERM_CRITERIA_EPS +
                cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
     
    #设置初始中心的选择
    # flags = cv2.KMEANS_RANDOM_CENTERS
    flags = cv2.KMEANS_PP_CENTERS
     
    #K-Means聚类 聚集成4类
    compactness, labels, centers = cv2.kmeans(data, 4, None, criteria, 10, flags)
     
    #图像转换回uint8二维类型
    centers = np.uint8(centers)
    res = centers[labels.flatten()]
    dst = res.reshape((img.shape))
     
    cv2.imwrite("img/autumn4.png",dst)
  

————————————————
版权声明：本文为CSDN博主「一只辛巴」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/lanshi00/article/details/104109963