Python 图像处理丨基于 K-Means 聚类的图像区域分割
本文分享自华为云社区《[Python图像处理] 十九.图像分割之基于K-Means聚类的区域分割》,作者: eastmount。
本篇文章主要讲解基于理论的图像分割方法,通过 K-Means 聚类算法实现图像分割或颜色分层处理。基础性文章,希望对你有所帮助。
一.K-Means 原理
二.K-Means 聚类分割灰度图像
三.K-Means 聚类对比分割彩色图像
注意 :该部分知识均为杨秀璋查阅资料撰写,未经授权禁止转载,谢谢!!如果有问题随时私聊我,只望您能从这个系列中学到知识,一起加油喔~
该系列在 github 所有源代码:
一.K-Means 聚类原理
第一部分知识主要参考自己的新书《Python 网络数据爬取及分析从入门到精通(分析篇)》和之前的博客 [Python数据挖掘课程] 二.Kmeans聚类数据分析。
K-Means 聚类是最常用的聚类算法,最初起源于信号处理,其目标是将数据点划分为 K 个类簇,找到每个簇的中心并使其度量最小化。该算法的最大优点是简单、便于理解,运算速度较快,缺点是只能应用于连续型数据,并且要在聚类前指定聚集的类簇数。
下面是 K-Means 聚类算法的分析流程,步骤如下:
第一步,确定 K 值,即将数据集聚集成 K 个类簇或小组。
第二步,从数据集中随机选择 K 个数据点作为质心(Centroid)或数据中心。
第三步,分别计算每个点到每个质心之间的距离,并将每个点划分到离最近质心的小组,跟定了那个质心。
第四步,当每个质心都聚集了一些点后,重新定义算法选出新的质心。
第五步,比较新的质心和老的质心,如果新质心和老质心之间的距离小于某一个阈值,则表示重新计算的质心位置变化不大,收敛稳定,则认为聚类已经达到了期望的结果,算法终止。
第六步,如果新的质心和老的质心变化很大,即距离大于阈值,则继续迭代执行第三步到第五步,直到算法终止。
下图是对身高和体重进行聚类的算法,将数据集的人群聚集成三类。
二.K-Means 聚类分割灰度图像
在图像处理中,通过 K-Means 聚类算法可以实现图像分割、图像聚类、图像识别等操作,本小节主要用来进行图像颜色分割。假设存在一张 100×100 像素的灰度图像,它由 10000 个 RGB 灰度级组成,我们通过 K-Means 可以将这些像素点聚类成 K 个簇,然后使用每个簇内的质心点来替换簇内所有的像素点,这样就能实现在不改变分辨率的情况下量化压缩图像颜色,实现图像颜色层级分割。
在 OpenCV 中,Kmeans()函数原型如下所示:
retval, bestLabels, centers = kmeans(data, K, bestLabels, criteria, attempts, flags[, centers])
data 表示聚类数据,最好是 np.flloat32 类型的 N 维点集
K 表示聚类类簇数
bestLabels 表示输出的整数数组,用于存储每个样本的聚类标签索引
criteria 表示算法终止条件,即最大迭代次数或所需精度。在某些迭代中,一旦每个簇中心的移动小于 criteria.epsilon,算法就会停止
attempts 表示重复试验 kmeans 算法的次数,算法返回产生最佳紧凑性的标签
flags 表示初始中心的选择,两种方法是 cv2.KMEANS_PP_CENTERS ;和 cv2.KMEANS_RANDOM_CENTERS
centers 表示集群中心的输出矩阵,每个集群中心为一行数据
下面使用该方法对灰度图像颜色进行分割处理,需要注意,在进行 K-Means 聚类操作之前,需要将 RGB 像素点转换为一维的数组,再将各形式的颜色聚集在一起,形成最终的颜色分割。
输出结果如图所示,左边为灰度图像,右边为 K-Means 聚类后的图像,它将灰度级聚集成四个层级,相似的颜色或区域聚集在一起。
三.K-Means 聚类对比分割彩色图像
下面代码是对彩色图像进行颜色分割处理,它将彩色图像聚集成 2 类、4 类和 64 类。
输出结果如下图所示,当 K=2 颜色聚集成两种,当 K=64 颜色聚集成 64 种。
希望这篇基础性文章对您有所帮助,如果有错误 或不足之处,请海涵!一起加油,考博加油。
参考文献:
杨秀璋等. 基于苗族服饰的图像锐化和边缘提取技术研究[J]. 现代计算机,2018(10).
《数字图像处理》(第 3 版),冈萨雷斯著,阮秋琦译,电子工业出版社,2013 年.
《数字图像处理学》(第 3 版),阮秋琦,电子工业出版社,2008 年,北京.
《OpenCV3 编程入门》,毛星云,冷雪飞,电子工业出版社,2015.
版权声明: 本文为 InfoQ 作者【华为云开发者联盟】的原创文章。
原文链接:【http://xie.infoq.cn/article/4a5a622425331262cd200ecf7】。文章转载请联系作者。
评论