kmeans图像分割实例

算法原理

kmeans的计算方法如下：

1 随机选取k个中心点

2 遍历所有数据，将每个数据划分到最近的中心点中

3 计算每个聚类的平均值，并作为新的中心点

4 重复2-3，直到这k个中线点不再变化（收敛了），或执行了足够多的迭代

 

代码实现：

import cv2
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
image = cv2.imread('2.png')
image_copy = np.copy(image)
image_copy = cv2.cvtColor(image_copy,cv2.COLOR_BGR2RGB)
plt.imshow(image_copy)

pixel_vals = image_copy.reshape((-1,3))  #第一个参数为-1时，那么reshape函数会根据另一个参数（这里是3）的维度计算出数组的shape属性值。
pixel_vals = np.float32(pixel_vals)      #转化为浮点型，为k均值聚类做数据准备，因为 OpenCV 的函数 kmeans 需要这类数据
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER,10,1.0)   #经过几次迭代后，若簇移动的范围小于该值，则算法终止，实现收敛
k=3             #k值设为3
retval,labels,centers = cv2.kmeans(pixel_vals,k,None,criteria,10,cv2.KMEANS_RANDOM_CENTERS)    #二位数组，K的个数，标签（这里不需要），终止标准，迭代次数，初始中心点的选择方式 这里设为随机选择
centers = np.uint8(centers)   
seqmented_data = centers[labels.flatten()]
seqmented_image = seqmented_data.reshape((image_copy.shape))
labels_reshape = labels.reshape(image_copy.shape[0],image_copy.shape[1])
plt.imshow(seqmented_image)

plt.imshow(labels_reshape == 1,cmap='gray')

masked_image = np.copy(image_copy)
masked_image[labels_reshape == 1] = [0,0,0]
plt.imshow(masked_image)