OpenCV利用K-means實現(xiàn)根據(jù)顏色進行圖像分割

更新時間：2022年10月28日 14:08:56 作者：天子驕龍

K-means是一種經(jīng)典的無監(jiān)督聚類算法---不需要人工干預。本文將通過K-means算法實現(xiàn)根據(jù)顏色進行圖像分割的效果，感興趣的小伙伴可以嘗試一下

K-means算法分割

K-means是一種經(jīng)典的無監(jiān)督聚類算法---不需要人工干預。

算法原理:

（1）隨機選擇兩個中心點；

（2）計算每個點到這兩個中心點的距離，最近的分成一類（連接起來）；

（3）重新計算中心點（平均值計算），計算新的中心點到舊的中心點的差值如果小于輸入的值，就說明中心的位置發(fā)生了變化，，那么到（2）步重新計算中心點到每個點的距離，開始下一次循環(huán)；

（4）執(zhí)行多個迭代之后，滿足收斂時，得到最終的分類

應用：分類

根據(jù)顏色分類

#include<opencv2/opencv.hpp>
#include<iostream>


int main(int argc, char** argv) {

    cv::Mat img(500, 500, CV_8UC3);
    cv::RNG rng(12345);
    cv::Scalar colorTab[] = {
        cv::Scalar(0, 0, 255),
        cv::Scalar(0, 255, 0),
        cv::Scalar(255, 0, 0),
        cv::Scalar(0, 255, 255),
        cv::Scalar(255, 0, 255)
    };
    int numCluster = rng.uniform(2, 5);
    printf("種類數(shù)量 : %d\n", numCluster); 
    //4
    int sampleCount = rng.uniform(2, 1000);//隨機樣本
    printf("樣本數(shù)量 : %d\n", sampleCount);
    //591
    cv::Mat points(sampleCount, 1, CV_32FC2);
    cv::Mat labels;
    cv::Mat centers;

    for (int k = 0; k < numCluster; k++) {
        cv::Point center;
        center.x = rng.uniform(0, img.cols);//隨機坐標
        center.y = rng.uniform(0, img.rows);
        cv::Mat pointChunk = points.rowRange(k * sampleCount / numCluster, k == numCluster - 1 ? sampleCount : (k + 1) * sampleCount / numCluster);
        //每一類占1/numCluster 行
        //rng.fill(pointChunk, cv::RNG::NORMAL, cv::Scalar(center.x, center.y), cv::Scalar(img.cols * 0.05, img.rows * 0.05));//用隨機數(shù)填充矩陣
        rng.fill(pointChunk, cv::RNG::UNIFORM, 0, 255);//用隨機數(shù)填充矩陣
        
    }

    randShuffle(points, 1, &rng);//算法打亂元素排列順序
    kmeans(points, numCluster, labels, cv::TermCriteria(cv::TermCriteria::EPS + cv::TermCriteria::COUNT, 10, 0.1), 3, cv::KMEANS_PP_CENTERS, centers);
    /*【根據(jù)參數(shù)1的坐標進行分類】
    參數(shù)1:為cv::Mat類型，每行代表一個樣本，即特征，即mat.cols=特征長度，mat.rows=樣本數(shù)，數(shù)據(jù)類型僅支持float
    參數(shù)2:K  指定聚類時劃分為幾類
    參數(shù)3:為cv::Mat類型，是一個長度為(樣本數(shù)，1)的矩陣，即mat.cols=1,mat.rows=樣本數(shù)；為K-Means算法的結果輸出，指定每一個樣本聚類到哪一個label中【指定每一個樣本聚類到哪一類中】
    參數(shù)4:TermCriteria類，算法進行迭代時終止的條件，可以指定最大迭代次數(shù)，也可以指定預期的精度，也可以這兩種同時指定；
            參數(shù)1:int type 
                    type=TermCriteria::MAX_ITER/TermCriteria::COUNT  迭代到最大或迭代次數(shù)終止
                    type= TermCriteria::EPS   迭代到閾值終止
                    type= TermCriteria::MAX_ITER+ TermCriteria::EPS 上述兩者都作為迭代終止條件
            參數(shù)2:int maxCount  迭代的最大次數(shù)
            參數(shù)3:double epsilon   閾值(中心位移值)
    參數(shù)5：指定K-Means算法執(zhí)行的次數(shù)，每次算法執(zhí)行的結果是不一樣的，選擇最好的那次結果輸出
    參數(shù)6:初始化均值點的方法，目前支持三種：KMEANS_RANDOM_CENTERS、KMEANS_PP_CENTERS、KMEANS_USE_INITIAL_LABELS 
    參數(shù)7:為cv::Mat類型，輸出最終的均值點，mat.cols=特征長度，mat.rols=K 【每個類的中心點】

    */


    // 用不同顏色顯示分類
    //初始化圖片顏色。
    img = cv::Scalar::all(255);
    for (int i = 0; i < sampleCount; i++) {
        int index = labels.at<int>(i);
        //獲取ponint點
        cv::Point p = points.at<cv::Point2f>(i);
        //填充
        circle(img, p, 2, colorTab[index], -1, 8);
    }

    // 每個聚類的中心來繪制圓
    for (int i = 0; i < centers.rows; i++) {
        int x = centers.at<float>(i, 0);
        int y = centers.at<float>(i, 1);
        printf("c.x= %d, c.y=%d", x, y);
        circle(img, cv::Point(x, y), 40, colorTab[i], 1, cv::LINE_AA);
    }

    imshow("KMeans-Data-Demo", img);



        
    cv::waitKey(0);
    return 0;
}

實例

2.png

#include<opencv2/opencv.hpp>
#include<iostream>

int main(int argc, char** argv) {

    
    cv::Scalar colorTab[] = {
        cv::Scalar(0, 0, 255),
        cv::Scalar(0, 255, 0),
        cv::Scalar(255, 0, 0),
        cv::Scalar(0, 255, 255),
        
        };
    
    cv::Mat src = cv::imread("D:/bb/tu1/2.png");
    if (!src.data)
    {
        printf("圖像讀取失敗...\n");
        return -1;
    }
    cv::imshow("src", src);

    int width = src.cols;
    int height = src.rows;
    int dims = src.channels();

    int sampleCount = width * height;  //總像素
    int clusterCount = 4;  //分類數(shù)量
    cv::Mat points(sampleCount, dims,CV_32F,cv::Scalar(10));
    //一個像素為一行
    cv::Mat labels;
    cv::Mat centers(clusterCount,1, points.type());
    //保存中心坐標

    //把RGB數(shù)據(jù)轉換成樣本數(shù)據(jù)
    int index = 0;//像素序號
    for (int row = 0; row < height;row++) {
        for (int col = 0; col < width;col++) {
            index = row * width + col;
            cv::Vec3b bgr = src.at<cv::Vec3b>(row, col);
            points.at<float>(index, 0) = static_cast<int>(bgr[0]);
            points.at<float>(index, 1) = static_cast<int>(bgr[1]);
            points.at<float>(index, 2) = static_cast<int>(bgr[2]);

        }

    }

      
    cv::TermCriteria criteria = cv::TermCriteria(cv::TermCriteria::COUNT + cv::TermCriteria::EPS,10,0.1);
    //kmeans的終止的條件
    
    kmeans(points, clusterCount, labels, criteria, 3, cv::KMEANS_PP_CENTERS, centers);//運行kmeans 

    //顯示圖像分割結果
    cv::Mat result = cv::Mat::zeros(src.size(),src.type());
    for (int row = 0; row < height;row++) {
        for (int col = 0; col < width;col++) {
            index = row * width + col;
            int label = labels.at<int>(index, 0); //獲取類序號
            result.at<cv::Vec3b>(row, col)[0] = colorTab[label][0];
            result.at<cv::Vec3b>(row, col)[1] = colorTab[label][1];
            result.at<cv::Vec3b>(row, col)[2] = colorTab[label][2];
            
        }
    }

    cv::imshow("result", result);





    cv::waitKey(0);
    return 0;
}