opencv笔记--Kmeans

在图像分割中，使用 kmeans 算法可以实现图像区域基本分割。如果一幅图像被分为两类，kmeans 分割效果与  ostu 算法基本一致，具体如下图：

  

kmeans 将图像灰度聚类为 k 类，ostu 将图像灰度分割为 2 类，当 k = 2 时，两种算法最终目的基本趋于一致。

kmeans 算法基本思路如下：

1）随机选取第一个聚类中心点，之后的聚类中心点选取有两种方法；

a. 随机选取其他 k - 1 个聚类中心点；

b. 根据已经选取的聚类中心点，计算所有点到已经选取的聚类中心点的距离，选择到所有已经选取的聚类中心点的最远点作为下一个聚类中心点；

2）根据点到已经选取的聚类中心点的距离对其进行分类；

3）重新求各个分类的聚类中心点，然后回到 2）；

4）当不再满足迭代条件时给出最终聚类结果，迭代条件包括：

a. 聚类中心点在迭代过程中的偏移量；

b. 迭代次数；

对于聚类中心点的选择，一般情况下，方法 b 会得到更好的聚类，且迭代速度较快。

opencv 提供的 kmean 函数为：

double kmeans( InputArray data, int K, InputOutputArray bestLabels, TermCriteria criteria, int attempts,

int flags, OutputArray centers=noArray() );

参数如下：

data: 待分类点矩阵，其类型必须为 CV_32F；

K，bestLabels: 聚类数与待分类点所属分类；

criteria：停止条件；

attempts：使用不同的随机聚类中心点尝试聚类次数；

flags：聚类中心点选择方案，包括完全随机选择，kmeans++选择方案（b），用户输入；

centers：最终聚类中心点；

以下给出 kmeans 算法使用代码：

 1 void UseKmeans(cv::Mat& src, cv::Mat& rst)
 2 {
 3     int width = src.cols;
 4     int height = src.rows;
 5     int dims = src.channels();
 6     int sampleCount = width * height;
 7
 8     int clusterCount = 2;
 9     Mat points(sampleCount, dims, CV_32F, Scalar(10));
10     cv::Mat pos(sampleCount, 2, CV_16S, Scalar(0, 0));
11     Mat labels;
12     Mat centers(clusterCount, 1, points.type());
13
14     // invert to data points
15     int index = 0;
16     for (int row = 0; row < height; row++) {
17         for (int col = 0; col < width; col++) {
18             points.at<float>(index, 0) = static_cast<int>(src.ptr<uchar>(row)[col]);
19             pos.at<short>(index, 0) = static_cast<short>(row);
20             pos.at<short>(index, 1) = static_cast<int>(col);
21             ++index;
22         }
23     }
24
25     // k-mean algorithm
26     TermCriteria criteria = TermCriteria(CV_TERMCRIT_EPS + CV_TERMCRIT_ITER, 100, 1.0);
27     kmeans(points, clusterCount, labels, criteria, 3, KMEANS_PP_CENTERS, centers);
28
29     int bright_val = -1;
30     for (int i = 0; i < centers.rows; ++i)
31     {
32         int val = centers.at<float>(i, 0);
33         if (val > bright_val)
34             bright_val = val;
35     }
36
37     int bright_label = -1;
38     for (int idx = 0; idx < sampleCount; ++idx)
39     {
40         float *datapoint = points.ptr<float>(idx);
41         int *datalabel = labels.ptr<int>(idx);
42         if (datapoint[0] >= bright_val)
43         {
44             bright_label = datalabel[0];
45             break;
46         }
47     }
48
49     // save result
50     rst.create(src.size(), CV_8UC1);
51     rst.rowRange(0, rst.rows) = 0;
52     for (int idx = 0; idx < sampleCount; ++idx)
53     {
54         int *datalabel = labels.ptr<int>(idx);
55         if (datalabel[0] == bright_label)
56         {
57             int row = pos.at<short>(idx, 0);
58             int col = pos.at<short>(idx, 1);
59             rst.ptr<uchar>(row)[col] = 255;
60         }
61     }
62 }