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：

     

void UseKmeans(cv::Mat& src, cv::Mat& rst)
{
    int width = src.cols;
    int height = src.rows;
    int dims = src.channels();
    int sampleCount = width * height;

    int clusterCount = 2;
    Mat points(sampleCount, dims, CV_32F, Scalar(10));
    cv::Mat pos(sampleCount, 2, CV_16S, Scalar(0, 0));
    Mat labels;
    Mat centers(clusterCount, 1, points.type());

    // invert to data points
    int index = 0;
    for (int row = 0; row < height; row++) {
        for (int col = 0; col < width; col++) {
            points.at<float>(index, 0) = static_cast<int>(src.ptr<uchar>(row)[col]);
            pos.at<short>(index, 0) = static_cast<short>(row);
            pos.at<short>(index, 1) = static_cast<int>(col);
            ++index;
        }
    }

    // k-mean algorithm
    TermCriteria criteria = TermCriteria(CV_TERMCRIT_EPS + CV_TERMCRIT_ITER, 100, 1.0);
    kmeans(points, clusterCount, labels, criteria, 3, KMEANS_PP_CENTERS, centers);

    int bright_val = -1;
    for (int i = 0; i < centers.rows; ++i)
    {
        int val = centers.at<float>(i, 0);
        if (val > bright_val)
            bright_val = val;
    }

    int bright_label = -1;
    for (int idx = 0; idx < sampleCount; ++idx)
    {
        float *datapoint = points.ptr<float>(idx);
        int *datalabel = labels.ptr<int>(idx);
        if (datapoint[0] >= bright_val)
        {
            bright_label = datalabel[0];
            break;
        }
    }

    // save result
    rst.create(src.size(), CV_8UC1);
    rst.rowRange(0, rst.rows) = 0;
    for (int idx = 0; idx < sampleCount; ++idx)
    {
        int *datalabel = labels.ptr<int>(idx);
        if (datalabel[0] == bright_label)
        {
            int row = pos.at<short>(idx, 0);
            int col = pos.at<short>(idx, 1);
            rst.ptr<uchar>(row)[col] = 255;
        }
    }
}