Opencv学习笔记 K-Means聚类算法进行颜色量化

        颜色量化是减少图像中不同颜色数量的过程。通常，目的是尽可能保留图像的颜色外观，同时减少颜色数量，无论是用于内存限制还是压缩。实际上，著名的QBIC CBIR系统（图像搜索引擎的原始CBIR系统之一）可以利用二次距离中的量化颜色直方图来计算相似度。

        OpenCv指定聚类颜色和聚类数量，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。

        OpenCvSharp代码如下：

Mat srcImage = Cv2.ImRead(@"C:\Users\Desktop\123.png");
            
//五个颜色，聚类之后的颜色随机从这里面选择
Scalar[] colorTab = {
    new Scalar(0,0,255),
    new Scalar(0,255,0),
    new Scalar(255,0,0),
    new Scalar(0,255,255),
    new 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 = new Mat(sampleCount, channels, MatType.CV_32F, Scalar.All(10));//points用来保存所有的数据
Mat labels = new Mat();//聚类后的标签
Mat center = new Mat(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.Set(index, 0, bgr.Item0);
        points.Set(index, 1, bgr.Item1);
        points.Set(index, 2, bgr.Item2);
    }
}
//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 = new TermCriteria( CriteriaType.Eps & CriteriaType.Count, 10, 0.1);
Cv2.Kmeans(points, clusterCount, labels, criteria, 3, KMeansFlags.PpCenters, 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
        Vec3b vec3B = new Vec3b();
        vec3B.Item0 = (byte)colorTab[label][0];//对结果图中的每一个通道进行赋值
        vec3B.Item1 = (byte)colorTab[label][1];
        vec3B.Item2 = (byte)colorTab[label][2];
        result.Set(i, j, vec3B);
    }
}
Cv2.ImShow("Kmeans", result);

 

原图

聚类结果

        Python K-Means聚类算法进行颜色量化

# KMeans聚类算法图像颜色量化
# import the necessary packages
from sklearn.cluster import MiniBatchKMeans
import numpy as np
import argparse
import cv2

# load the image and grab its width and height
image = cv2.imread("C:/Users/Desktop/123.png")
(h, w) = image.shape[:2]

# convert the image from the RGB color space to the L*a*b*
# color space -- since we will be clustering using k-means
# which is based on the euclidean distance, we'll use the
# L*a*b* color space where the euclidean distance implies
# perceptual meaning
image = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)

# reshape the image into a feature vector so that k-means
# can be applied
image = image.reshape((image.shape[0] * image.shape[1], 3))

# apply k-means using the specified number of clusters and
# then create the quantized image based on the predictions
clt = MiniBatchKMeans(n_clusters = 4)
labels = clt.fit_predict(image)
quant = clt.cluster_centers_.astype("uint8")[labels]

# reshape the feature vectors to images
quant = quant.reshape((h, w, 3))
image = image.reshape((h, w, 3))

# convert from L*a*b* to RGB
quant = cv2.cvtColor(quant, cv2.COLOR_LAB2BGR)
image = cv2.cvtColor(image, cv2.COLOR_LAB2BGR)

# display the images and wait for a keypress
cv2.imshow("image", np.hstack([image, quant]))
cv2.waitKey(0)

 

左原图 右效果图 参数K=4

 

左原图 右效果图 参数K=6

左原图 右效果图 参数K=12