K-Means Clustering in OpenCV
cv2.kmeans(data, K, bestLabels, criteria, attempts, flags[, centers]) -> retval, bestLabels, centers
- data: np.float32数据类型，每个功能应该放在一个列中
- nclusters（K）：集群数
- bestLabels：预设的分类标签：没有的话 None
- criteria：它是迭代终止标准,满足此条件时，算法迭代停止,实际上，它应该是3个参数的元组。它们是
（type，max_iter，epsilon）
-
type又有两种选择:
- cv2.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。
- max_iter - 指定最大迭代次数的整数
- epsilon - 要求的准确性
- attempts：重复试验kmeans算法次数，将会返回最好的一次结果
- flags：该标志用于指定初始中心的采用方式。通常会使用两个标志：cv2.KMEANS_PP_CENTERS和cv2.KMEANS_RANDOM_CENTERS
- retval：它是从每个点到它们相应中心的平方距离之和
- bestLabels：这是标签数组
centers：这是一组聚类中心
Data with Only One Feature
假设只有一个特征的数据，即一维的，我们可以采用我们的T恤问题，只使用人的高度来决定T恤的大小。
因此，我们首先创建数据并在Matplotlib中绘制它
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()
现在我们应用KMeans功能。我们的标准是，每当运行10次迭代算法或达到epsilon = 1.0的精度时，停止算法并返回答案.
# 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
我们设置大小为50x2的测试数据，其高度和权重为50人。 第一列对应于所有50个人的高度，第二列对应于它们的权重。 第一行包含两个元素，其中第一行是第一人的高度，第二行是他的重量。 类似地，剩余的行对应于其他人的高度和重量。
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
颜色量化是减少图像中颜色数量的过程，这样做的一个原因是减少内存，某些设备可能具有限制，使得它只能产生有限数量的颜色，在那些情况下，也执行颜色量化，这里我们使用k均值聚类进行颜色量化。
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()
