opencv python K-Means聚類

K-Means Clustering in OpenCV

cv2.kmeans(data, K, bestLabels, criteria, attempts, flags[, centers]) -> retval, bestLabels, centers

• data: np.float32數據類型，每一個功能應該放在一個列中
• nclusters（K）：集羣數
• bestLabels：預設的分類標籤：沒有的話 None
• criteria：它是迭代終止標準,知足此條件時，算法迭代中止,實際上，它應該是3個參數的元組。它們是（type，max_iter，epsilon）

1. type又有兩種選擇:

   • cv2.TERM_CRITERIA_EPS - 若是達到指定的精度epsilon，則中止算法迭代。
   • cv.TERM_CRITERIA_MAX_ITER - 在指定的迭代次數max_iter以後中止算法。
   • cv.TERM_CRITERIA_EPS+ cv.TERM_CRITERIA_MAX_ITER - 當知足上述任何條件時中止迭代。
2. max_iter - 指定最大迭代次數的整數
3. epsilon - 要求的準確性

• attempts：重複試驗kmeans算法次數，將會返回最好的一次結果
• flags：該標誌用於指定初始中心的採用方式。一般會使用兩個標誌：cv2.KMEANS_PP_CENTERS和cv2.KMEANS_RANDOM_CENTERS
• retval：它是從每一個點到它們相應中心的平方距離之和
• bestLabels：這是標籤數組

• centers：這是一組聚類中心

Data with Only One Feature

假設只有一個特徵的數據，即一維的，咱們能夠採用咱們的T恤問題，只使用人的高度來決定T恤的大小。
所以，咱們首先建立數據並在Matplotlib中繪製它

import numpy as np
import cv2
import matplotlib.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()

如今咱們應用KMeans功能。咱們的標準是，每當運行10次迭代算法或達到epsilon = 1.0的精度時，中止算法並返回答案.

# Define criteria = ( type, max_iter = 10 , epsilon = 1.0 )
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)

# Set flags (Just to avoid line break in the code)
flags = cv2.KMEANS_RANDOM_CENTERS

# Apply KMeans
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()

Data with Multiple Features

咱們設置大小爲50x2的測試數據，其高度和權重爲50人。 第一列對應於全部50我的的高度，第二列對應於它們的權重。 第一行包含兩個元素，其中第一行是第一人的高度，第二行是他的重量。 相似地，剩餘的行對應於其餘人的高度和重量。

import numpy as np
import cv2
import matplotlib.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()

Color Quantization

顏色量化是減小圖像中顏色數量的過程，這樣作的一個緣由是減小內存，某些設備可能具備限制，使得它只能產生有限數量的顏色，在那些狀況下，也執行顏色量化，這裏咱們使用k均值聚類進行顏色量化。

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


img = cv2.imread('img.jpg')
Z = img.reshape((-1,3))

# convert to np.float32
Z = np.float32(Z)

# define criteria, number of clusters(K) and apply kmeans()
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
K = 8
ret,label,center=cv2.kmeans(Z,K,None,criteria,10,cv2.KMEANS_RANDOM_CENTERS)

# Now convert back into uint8, and make original image
center = np.uint8(center)
res = center[label.flatten()]
res2 = res.reshape((img.shape))

cv2.imshow('res2',res2)
cv2.waitKey(0)
cv2.destroyAllWindows()