OpenCV的k - means聚类
目标
- 学习使用cv2.kmeans()数据聚类函数OpenCV
理解参数
输入参数
样品:它应该的np.float32数据类型,每个特性应该被放在一个单独的列。
nclusters(K):数量的集群需要结束
- 标准:这是迭代终止准则。 当这个标准是满足,算法迭代停止。 实际上,它应该是一个元组的三个参数。 他们是
( type,max_iter,epsilon)
:
- 3. a -type 的终止条件:它有三个标志如下:
- cv2.TERM_CRITERIA_EPS——停止算法迭代如果指定的精度,ε是达到了。cv2.TERM_CRITERIA_MAX_ITER——停止指定数量的迭代算法后,max_iter。cv2。 TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER——任何上述条件时停止迭代。
- 3. b - max_iter整数指定最大迭代数。
- 3. c -epsilon 所需精度
尝试:标记来指定执行的次数算法使用不同的初始标签。 算法返回标签,产生最佳的密实度。 这个密实度是作为输出返回。
旗帜:这个标志用于指定初始中心。 通常用于这两个标记:cv2.KMEANS_PP_CENTERS和cv2.KMEANS_RANDOM_CENTERS。
输出参数
- 密实度:这是每一个点的距离的平方和相应的中心。
- 标签:这是标签阵列,其中每个元素标记1,另一个为0
- 中心:这是一系列的集群中心。
以下是示例代码:
第一个基本语法 与 一维数据聚类
# -*- coding:utf-8 -*- __author__ = 'FontTian' __Date__ = '2017/5/13' import numpy as np import cv2 from matplotlib import pyplot as plt x = np.random.randint(25,100,25) y = np.random.randint(175,255,25) z = np.hstack((x,y)) z = z.reshape((50,1)) z = np.float32(z) plt.hist(z,256,[0,256]),plt.show() # Define criteria = ( type, max_iter = 10 , epsilon = 1.0 ) # 这是迭代终止准则:type(A = TERM_CRITERIA_EPS 按照精度终止,B = TERM_CRITERIA_MAX_ITER,按照迭代次数终止,A+B 满足任一条件时终止) criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0) # Set flags (Just to avoid line break in the code) # 用以指定初始中心 flags = cv2.KMEANS_RANDOM_CENTERS # Apply KMeans ''' 密实度 :这是每一个点的距离的平方和相应的中心。 标签 :这是标签阵列,其中每个元素标记0,1..... 中心 :这是一系列的集群中心。 ''' compactness,labels,centers = cv2.kmeans(z,2,None,criteria,10,flags) A = z[labels==0] B = z[labels==1] # Now plot 'A' in red, 'B' in blue, 'centers' in yellow plt.hist(A,256,[0,256],color = 'r') plt.hist(B,256,[0,256],color = 'b') plt.hist(centers,32,[0,256],color = 'y') plt.show()
第二个:多维数据聚类
# -*- coding:utf-8 -*- __author__ = 'FontTian' __Date__ = '2017/5/13' import numpy as np import cv2 from matplotlib import pyplot as plt X = np.random.randint(25,50,(25,2)) Y = np.random.randint(60,85,(25,2)) Z = np.vstack((X,Y)) # convert to np.float32 Z = np.float32(Z) # define criteria and apply kmeans() criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0) ret,label,center=cv2.kmeans(Z,2,None,criteria,10,cv2.KMEANS_RANDOM_CENTERS) # Now separate the data, Note the flatten() A = Z[label.ravel()==0] B = Z[label.ravel()==1] # Plot the data 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()
第三个,图片的颜色量化
# -*- coding:utf-8 -*- __author__ = 'FontTian' __Date__ = '2017/5/13' import numpy as np import cv2 img = cv2.imread('spaceship.jpg') Z = img.reshape((-1,3)) # convert to np.float32 Z = np.float32(Z) j =0 # define criteria, number of clusters(K) and apply kmeans() criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0) Klist = [2,4,6,8,10] for i in Klist: ret,label,center=cv2.kmeans(Z,i,None,criteria,10,cv2.KMEANS_RANDOM_CENTERS) j +=2 # Now convert back into uint8, and make original image center = np.uint8(center) res = center[label.flatten()] res2 = res.reshape((img.shape)) cv2.imshow(str(("spaceship K=",i)), res2) cv2.waitKey(0) cv2.imshow('quondam image',img) cv2.waitKey(0) cv2.destroyAllWindows()
下面是我使用的示例图片: