opencv之kmeans原理与分割实例

opencv之K-Means原理与实现方法（C++和python版本）

KMeans原理

今天记录一下opencv中kmeans中的原理以及图像分割的一个实例，K-Means是对数据进行分类的算法，属于无监督学习的一种。
首先需要确定对图像进行类别的数目确定，即需要知道几个类别，然后每个类别都有一个中心点

然后根据距离来决定每个数据点属于哪个类别标签，一次循环实现对所有数据点分类之后，直到指定的循环次数或者前后两次的delta小于指定阈值，停止计算得到最终的样本数据的标签。

先讲讲opencv中KMeans数据分类的函数：
OpenCV中KMeans数据分类的API为：

KMeans函数

double cv::kmeans(
	InputArray data,
	int K,
	InputOutputArray bestLabels,
	TermCriteria criteria,
	int attempts,
	int flags,
	OutputArray centers = noArray() 
)

data是输入的样本数据，必须是按行组织样本，每一行为一个样本数据，列表示样本的维度
K表示最终的分类数目
bestLabels 表示最终分类每个样本的标签（每个样本都有一个标签）
criteria 表示KMeans分割的停止条件
attempts 表示采样不同初始化标签尝试次数
flag表示中心初始化方法（有以下三种方法）

• KMEANS_RANDOM_CENTERS
• KMEANS_PP_CENTERS
• KMEANS_USE_INITIAL_LABELS
  centers表示最终分割以后的每个cluster的中心位置

Kmeans数据分类演示，左图是数据坐标，可以理解为直方图，可以看出他是两个大类，而右图中黄色的是类的中心点

下面使用贾志刚老师的代码进行一个演示，先看python版本的

代码演示

1.python版本

导入必须的库

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

初始化为25行两列，X范围是25-50的范围，Y的取值范围是60-85。

X = np.random.randint(25,50,(25,2))
Y = np.random.randint(60,85,(25,2))
pts = np.vstack((X,Y))
# 初始化数据
data = np.float32(pts)#必须是一个浮点数数据
print(data.shape)

生成的Y

pts = np.vstack((X,Y))会将其两组数据叠加在一起

定义停止条件

criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)#计算10次，且差值小于1.0时停止计算
ret,label,center=cv2.kmeans(data,2,None,criteria,2,cv2.KMEANS_RANDOM_CENTERS)
print(len(label))
print(center)

获取不同标签的点，标签为0或者1

A = data[label.ravel()==0]
B = data[label.ravel()==1]

最后绘制图片

plt.scatter(A[:,0],A[:,1])
plt.scatter(B[:,0],B[:,1],c = 'r')
plt.scatter(center[:,0],center[:,1],s = 80,c = 'y', marker = 's')
plt.xlabel('Height'),plt.ylabel('Weight')
plt.show()

分类的结果如图所示

2.C++版本

相当于python版本，C++版本写起来区别会大很多，下面开始吧

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;

int main(int argc, char** argv) {
	Mat img(500, 500, CV_8UC3);
	RNG rng(12345);

	Scalar colorTab[] = {
		Scalar(0, 0, 255),
		Scalar(255, 0, 0),
	};

int numCluster = 2;
	int sampleCount = rng.uniform(5, 500);
	Mat points(sampleCount, 1, CV_32FC2);

	// 生成随机数
	for (int k = 0; k < numCluster; k++) {
		Point center;
		center.x = rng.uniform(0, img.cols);
		center.y = rng.uniform(0, img.rows);
		Mat pointChunk = points.rowRange(k*sampleCount / numCluster,
			k == numCluster - 1 ? sampleCount : (k + 1)*sampleCount / numCluster);
		rng.fill(pointChunk, RNG::NORMAL, Scalar(center.x, center.y), Scalar(img.cols*0.05, img.rows*0.05));
	}
	randShuffle(points, 1, &rng);

// 使用KMeans
	Mat labels;
	Mat centers;
	kmeans(points, numCluster, labels, TermCriteria(TermCriteria::EPS + TermCriteria::COUNT, 10, 0.1), 3, KMEANS_PP_CENTERS, centers);
	//points输入的样本数据，必须是按行组织样本，每一行为一个样本数据，列表示样本的维度；k表示最终的分类数目
	//bestlabels表示最终分类每个样本的标签，criteria表示kmeans分割的停止条件 attempts表示采样不同初始化标签尝试次数，一般与K等值
	//flag表示中心初始化方法，centers表示最终分割以后的每个cluster的中心位置
	

	// 用不同颜色显示分类
	img = Scalar::all(255);
	for (int i = 0; i < sampleCount; i++) {
		int index = labels.at<int>(i);
		Point p = points.at<Point2f>(i);
		circle(img, p, 2, colorTab[index], -1, 8);
	}

	// 每个聚类的中心来绘制圆
	for (int i = 0; i < centers.rows; i++) {
		int x = centers.at<float>(i, 0);
		int y = centers.at<float>(i, 1);
		printf("c.x= %d, c.y=%d", x, y);
		circle(img, Point(x, y), 40, colorTab[i], 1, LINE_AA);
	}

	imshow("KMeans-Data-Demo", img);
	waitKey(100000);
	return 0;
}

相对于python，C++的演示效果可能不是那么理想，的确还是pytho的数据分析能力更强更简便啊