在上一篇（【Machine Learning】K-means算法及優化）中，我們介紹了K-means算法的基本原理及其優化的方向。opencv中也提供了K-means算法的接口，這里主要介紹一下如何在python+opencv的環境下，使用k-means接口（C++的接口形式相似）。

python版本的k-means算法接口，即cv2.kmeans()。

輸入參數：

-samples: 類型必須是np.float32型，每個特征應該放置在單獨的一個列中；

-nclusters(K):最終要確定的類別數；

-criteria：迭代終止的條件，3通道參數，分別是（type, max_iter, epsilon）:

• 3.a -type: 終止條件的類型，有如下3個flag:?cv2.TERM_CRITERIA_EPS（精度滿足epsilon時，終止迭代）；cv2.TERM_CRITERIA_MAX_ITER（最大迭代次數達到后終止）；cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER（二者滿足其一即可終止迭代）；
• 3.b -??max_iter:最大迭代次數；
• 3.c -?epsilon:精度；

-attempts: 算法使用不同初始化標識執行的次數，改算法返回最佳集聚性的標簽，該值作為輸出值返回；

-flags:用于指定如何初始化聚類中心，通常有兩種方式：cv2.KMEANS_PP_CENTERS（初始的K個點）和cv2.KMEANS_RANDOM_CENTERS（隨機產生的K個點）。

輸出參數：

-compactness: 集聚性，指每個點到相應聚類中心點的距離平方的和；

-labels：聚類的標識序列（‘0’， ‘1’......）；

-centers:聚類中心的序列。

1、一維特征的聚類

首先，使用如下代碼，創建一個隨機數組序列，并繪制其分布直方圖：

import numpy as np import cv2 from matplotlib import pyplot as pltx = 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()

由此，我們可以得到一個大小為50的數組‘Z’，值的范圍為0-255。這里，將z轉換成列向量，這樣對不止一個特征的聚類會非常有幫助，值的數據類型為np.float32。直方分布圖如下：

這里，調用K-means方程，首先我們要設定好criteria，這里最大迭代次數設定為10，誤差設定為1.0，且終止條件指定為不管達到誤差還是達到最大迭代次數，都將終止迭代。同時，指定將以上數據聚類為2類。具體代碼如下：

# 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)
這里返回了compactness, labels and centers.這里，我們得到64和210兩個中心點（每次運行可能不太一樣，因為數據是隨機出來的）。labels的大小和輸入數據的大小相同，每個數據都將根據他們所屬類的中心被標記為‘0’，‘1’，‘2’ 等等。下面將根據他們的標識，將數據按類分離開：

A = z[labels==0] B = z[labels==1]
下面將A類用紅色繪制，B類用藍色繪制，他們的中心均用黃色繪制：

# 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()
可得到如下結果：

2、多維特征的聚類

下面考慮二維特征的聚類，按照上面類似的思路，生成數據，進行聚類，并繪制聚類結果。代碼如下：

import numpy as np import cv2 from matplotlib import pyplot as pltX = 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()
聚類結果如下：

2017.11.17

總結

以上是生活随笔為你收集整理的【Machine Learning】OpenCV中的K-means聚类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。