• OpenCV-Python OpenCV中的K-Means聚类 | 五十八


    目标

    • 了解如何在OpenCV中使用cv.kmeans()函数进行数据聚类

    理解参数

    输入参数

    1. sample:它应该是np.float32数据类型,并且每个功能都应该放在单个列中。

    2. nclusters(K):结束条件所需的簇数

    3. criteria:这是迭代终止条件。满足此条件后,算法迭代将停止。实际上,它应该是3个参数的元组。它们是(type,max_iter,epsilon)
      a. 终止条件的类型。它具有3个标志,如下所示:

      • cv.TERM_CRITERIA_EPS-如果达到指定的精度epsilon,则停止算法迭代。
      • cv.TERM_CRITERIA_MAX_ITER-在指定的迭代次数max_iter之后停止算法。
      • cv.TERM_CRITERIA_EPS + cv.TERM_CRITERIA_MAX_ITER-当满足上述任何条件时,停止迭代。

      b. max_iter-一个整数,指定最大迭代次数。
      c. epsilon-要求的精度

    4. attempts:该标志用于指定使用不同的初始标签执行算法的次数。该算法返回产生最佳紧密度的标签。该紧凑性作为输出返回。

    5. flags:此标志用于指定初始中心的获取方式。通常,为此使用两个标志:cv.KMEANS_PP_CENTERScv.KMEANS_RANDOM_CENTERS

    输出参数

    1. 紧凑度:它是每个点到其相应中心的平方距离的总和。
    2. 标签:这是标签数组(与上一篇文章中的“代码”相同),其中每个元素标记为“0”,“ 1” .....
    3. 中心:这是群集中心的阵列。
      现在,我们将通过三个示例了解如何应用K-Means算法。

    1. 单特征数据

    考虑一下,你有一组仅具有一个特征(即一维)的数据。例如,我们可以解决我们的T恤问题,你只用身高来决定T恤的尺寸。因此,我们首先创建数据并将其绘制在Matplotlib中

    import numpy as np
    import cv2 as cv
    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()
    

    因此,我们有了“ z”,它是一个大小为50的数组,值的范围是0到255。我将“z”重塑为列向量。
    如果存在多个功能,它将更加有用。然后我制作了np.float32类型的数据。
    我们得到以下图像:

    现在我们应用KMeans函数。在此之前,我们需要指定标准。我的标准是,每当运行10次算法迭代或达到epsilon = 1.0的精度时,就停止算法并返回答案。

    # 定义终止标准 = ( type, max_iter = 10 , epsilon = 1.0 )
    criteria = (cv.TERM_CRITERIA_EPS + cv.TERM_CRITERIA_MAX_ITER, 10, 1.0)
    # 设置标志
    flags = cv.KMEANS_RANDOM_CENTERS
    # 应用K均值
    compactness,labels,centers = cv.kmeans(z,2,None,criteria,10,flags)
    

    这为我们提供了紧凑性,标签和中心。在这种情况下,我得到的中心分别为60和207。标签的大小将与测试数据的大小相同,其中每个数据的质心都将标记为“ 0”,“ 1”,“ 2”等。现在,我们根据标签将数据分为不同的群集。

    A = z[labels==0]
    B = z[labels==1]
    

    现在我们以红色绘制A,以蓝色绘制B,以黄色绘制其质心。

    # 现在绘制用红色'A',用蓝色绘制'B',用黄色绘制中心
    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()
    

    得到了以下结果:

    2. 多特征数据

    在前面的示例中,我们仅考虑了T恤问题的身高。在这里,我们将同时考虑身高和体重,即两个特征。
    请记住,在以前的情况下,我们将数据制作为单个列向量。每个特征排列在一列中,而每一行对应于一个输入测试样本。
    例如,在这种情况下,我们设置了一个大小为50x2的测试数据,即50人的身高和体重。第一列对应于全部50个人的身高,第二列对应于他们的体重。第一行包含两个元素,其中第一个是第一人称的身高,​​第二个是他的体重。类似地,剩余的行对应于其他人的身高和体重。查看下面的图片:

    现在,我直接转到代码:

    import numpy as np
    import cv2 as cv
    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))
    # 将数据转换未 np.float32
    Z = np.float32(Z)
    # 定义停止标准,应用K均值
    criteria = (cv.TERM_CRITERIA_EPS + cv.TERM_CRITERIA_MAX_ITER, 10, 1.0)
    ret,label,center=cv.kmeans(Z,2,None,criteria,10,cv.KMEANS_RANDOM_CENTERS)
    # 现在分离数据, Note the flatten()
    A = Z[label.ravel()==0]
    B = Z[label.ravel()==1]
    # 绘制数据
    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()
    

    我们得到如下结果:

    3.颜色量化

    颜色量化是减少图像中颜色数量的过程。这样做的原因之一是减少内存。有时,某些设备可能会受到限制,因此只能产生有限数量的颜色。同样在那些情况下,执行颜色量化。在这里,我们使用k均值聚类进行颜色量化。

    这里没有新内容要解释。有3个特征,例如R,G,B。因此,我们需要将图像重塑为Mx3大小的数组(M是图像中的像素数)。在聚类之后,我们将质心值(也是R,G,B)应用于所有像素,以使生成的图像具有指定数量的颜色。再一次,我们需要将其重塑为原始图像的形状。下面是代码:

    import numpy as np
    import cv2 as cv
    img = cv.imread('home.jpg')
    Z = img.reshape((-1,3))
    # 将数据转化为np.float32
    Z = np.float32(Z)
    # 定义终止标准 聚类数并应用k均值
    criteria = (cv.TERM_CRITERIA_EPS + cv.TERM_CRITERIA_MAX_ITER, 10, 1.0)
    K = 8
    ret,label,center=cv.kmeans(Z,K,None,criteria,10,cv.KMEANS_RANDOM_CENTERS)
    # 现在将数据转化为uint8, 并绘制原图像
    center = np.uint8(center)
    res = center[label.flatten()]
    res2 = res.reshape((img.shape))
    cv.imshow('res2',res2)
    cv.waitKey(0)
    cv.destroyAllWindows()
    

    我们可以看的K=8的结果

  • 相关阅读:
    Rhino 是一个完全使用Java语言编写的开源JavaScript实现。Rhino通常用于在Java程序中,为最终用户提供脚本化能力。它被作为J2SE 6上的默认Java脚本化引擎。
    VS的快捷键F12改成和ECLIPSE一样用ctrl+点击下载线
    到底要不要拆分函数
    “DllRegisterServer的调用失败”问题解决办法(转)
    select into的缺点
    win8 下脚本安装IIS
    快速打开IIS的方法
    windows下硬盘的逻辑结构
    sql server 2005/2008R2 报“红叉”错,即“不允许所请求的注册表访问权”的错误
    rundll32.exe的相关使用语句
  • 原文地址:https://www.cnblogs.com/panchuangai/p/12873491.html
Copyright © 2020-2023  润新知