Opencv图像分割之K-means聚类算法
kmeans是非常经典的聚类算法，至今也还保留着较强的生命力，图像处理中经常用到kmeans算法或者其改进算法进行图像分割操作，在数据挖掘中kmeans经常用来做数据预处理。opencv中提供了完整的kmeans算法，其函数原型为：
double kmeans( InputArray data, int K, InputOutputArray bestLabels, TermCriteria criteria, int attempts, int flags, OutputArray centers = noArray() );
其中data表示用于聚类的数据，是N维的数组类型（Mat型），必须浮点型；
K表示需要聚类的类别数；
bestLabels聚类后的标签数组，Mat型；
criteria迭代收敛准则（MAX_ITER最大迭代次数，EPS最高精度）；
attemps表示尝试的次数，防止陷入局部最优；
flags 表示聚类中心的选取方式（KMEANS_RANDOM_CENTERS 随机选取，KMEANS_PP_CENTERS使用Arthur提供的算法，KMEANS_USE_INITIAL_LABELS使用初始标签）；
centers 表示聚类后的类别中心。
关于kmeans的理论可以参考：基本Kmeans算法介绍及其实现
kmeans算法过程与简单的理解：
K-Means#####
聚类算法有很多种（几十种），K-Means是聚类算法中的最常用的一种，算法最大的特点是简单，好理解，运算速度快，但是只能应用于连续型的数据，并且一定要在聚类前需要手工指定要分成几类。
下面，我们描述一下K-means算法的过程，为了尽量不用数学符号，所以描述的不是很严谨，大概就是这个意思，“物以类聚、人以群分”：
- 首先输入k的值，即我们希望将数据集经过聚类得到k个分组。
- 从数据集中随机选择k个数据点作为初始大哥（质心，Centroid）
- 对集合中每一个小弟，计算与每一个大哥的距离（距离的含义后面会讲），离哪个大哥距离近，就跟定哪个大哥。
- 这时每一个大哥手下都聚集了一票小弟，这时候召开人民代表大会，每一群选出新的大哥（其实是通过算法选出新的质心）。
- 如果新大哥和老大哥之间的距离小于某一个设置的阈值（表示重新计算的质心的位置变化不大，趋于稳定，或者说收敛），可以认为我们进行的聚类已经达到期望的结果，算法终止。
- 如果新大哥和老大哥距离变化很大，需要迭代3~5步骤。
简单的手算例子#####
我搞了6个点，从图上看应该分成两推儿，前三个点一堆儿，后三个点是另一堆儿。现在手工执行K-Means，体会一下过程，同时看看结果是不是和预期一致。
1.选择初始大哥：
我们就选P1和P2
2.计算小弟和大哥的距离：
P3到P1的距离从图上也能看出来（勾股定理），是√10 = 3.16；P3到P2的距离√((3-1)2+(1-2)2 = √5 = 2.24，所以P3离P2更近，P3就跟P2混。同理，P4、P5、P6也这么算，如下：
P3到P6都跟P2更近，所以第一次站队的结果是：
- 组A：P1
- 组B：P2、P3、P4、P5、P6
3.人民代表大会：
组A没啥可选的，大哥还是P1自己
组B有五个人，需要选新大哥，这里要注意选大哥的方法是每个人X坐标的平均值和Y坐标的平均值组成的新的点，为新大哥，也就是说这个大哥是“虚拟的”。
因此，B组选出新大哥的坐标为：P哥（（1+3+8+9+10）/5，（2+1+8+10+7）/5）=（6.2，5.6）。
综合两组，新大哥为P1（0，0），P哥（6.2，5.6），而P2-P6重新成为小弟
4.再次计算小弟到大哥的距离：
这时可以看到P2、P3离P1更近，P4、P5、P6离P哥更近，所以第二次站队的结果是：
- 组A：P1、P2、P3
- 组B：P4、P5、P6（虚拟大哥这时候消失）
5.第二届人民代表大会：
按照上一届大会的方法选出两个新的虚拟大哥：P哥1（1.33，1） P哥2（9，8.33），P1-P6都成为小弟
6.第三次计算小弟到大哥的距离：
这时可以看到P1、P2、P3离P哥1更近，P4、P5、P6离P哥2更近，所以第二次站队的结果是：
- 组A：P1、P2、P3
- 组B：P4、P5、P6
我们发现，这次站队的结果和上次没有任何变化了，说明已经收敛，聚类结束，聚类结果和我们最开始设想的结果完全一致。
下面放上基于Opencv的代码：
#include
#include
using namespace cv;
using namespace std;
int main()
{
Mat srcImage = imread("girl1.jpg");
if (!srcImage.data)
{
printf("could not load image...\n");
return -1;
}
imshow("girl1.jpg", srcImage);
//五个颜色，聚类之后的颜色随机从这里面选择
Scalar colorTab[] = {
Scalar(0,0,255),
Scalar(0,255,0),
Scalar(255,0,0),
Scalar(0,255,255),
Scalar(255,0,255)
};
int width = srcImage.cols;//图像的宽
int height = srcImage.rows;//图像的高
int channels = srcImage.channels();//图像的通道数
//初始化一些定义
int sampleCount = width*height;//所有的像素
int clusterCount = 4;//分类数
Mat points(sampleCount, channels, CV_32F, Scalar(10));//points用来保存所有的数据
Mat labels;//聚类后的标签
Mat center(clusterCount, 1, points.type());//聚类后的类别的中心
//将图像的RGB像素转到到样本数据
int index;
for (int i = 0; i < srcImage.rows; i++)
{
for (int j = 0; j < srcImage.cols; j++)
{
index = i*width + j;
Vec3b bgr = srcImage.at(i, j);
//将图像中的每个通道的数据分别赋值给points的值
points.at(index, 0) = static_cast(bgr[0]);
points.at(index, 1) = static_cast(bgr[1]);
points.at(index, 2) = static_cast(bgr[2]);
}
}
//运行K-means算法
//MAX_ITER也可以称为COUNT最大迭代次数，EPS最高精度,10表示最大的迭代次数，0.1表示结果的精确度
TermCriteria criteria = TermCriteria(TermCriteria::EPS + TermCriteria::COUNT,10,0.1);
kmeans(points, clusterCount, labels, criteria, 3, KMEANS_PP_CENTERS, center);
//显示图像分割结果
Mat result = Mat::zeros(srcImage.size(), srcImage.type());//创建一张结果图
for (int i = 0; i < srcImage.rows; i++)
{
for (int j = 0; j < srcImage.cols; j++)
{
index = i*width + j;
int label = labels.at(index);//每一个像素属于哪个标签
result.at(i, j)[0] = colorTab[label][0];//对结果图中的每一个通道进行赋值
result.at(i, j)[1] = colorTab[label][1];
result.at(i, j)[2] = colorTab[label][2];
}
}
imshow("Kmeans", result);
waitKey(0);
return 0;
} 原图：
效果图：
