圖像分割是將圖像分割成多個不同區(qū)域（或片段）的過程。目標是將圖像的表示變成更容易和更有意義的圖像。

在這篇博客中，我們將看到一種圖像分割方法，即K-Means Clustering。

K-Means 聚類是一種無監(jiān)督機器學習算法，旨在將N 個觀測值劃分為K 個聚類，其中每個觀測值都屬于具有最近均值的聚類。集群是指由于某些相似性而聚合在一起的數(shù)據(jù)點的集合。對于圖像分割，這里的簇是不同的圖像顏色。

我們使用的環(huán)境是pip install opencv-python numpy matplotlib

選擇的圖片是我們學校畢業(yè)照的圖片，放心這里沒有我，在學校公眾號找的美圖。

導入所需模塊：

import cv2
import numpy as np
import matplotlib.pyplot as plt
# read the image
image = cv2.imread("Graduation.jpg")

在進行圖像分割之前，讓我們將圖像轉(zhuǎn)換為RGB格式：

image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

我們將使用cv2.kmeans()函數(shù)，它將一個2D數(shù)組作為輸入，并且由于我們的原始圖像是3D（寬度、高度和深度為3 個 RGB值），我們需要將高度和寬度展平為單個像素向量（3 個 RGB值）：

# 將圖像重塑為像素和3個顏色值（RGB）的2D數(shù)組
print(image.shape) #(853, 1280, 3)
pixel_values = image.reshape((-1, 3))
# 轉(zhuǎn)換為numpy的float32
pixel_values = np.float32(pixel_values)
print(pixel_values.shape) #(1091840, 3)

關(guān)于opencv下的kmean算法，函數(shù)為cv2.kmeans()
函數(shù)的格式為：kmeans(data, K, bestLabels, criteria, attempts, flags)

data: 分類數(shù)據(jù)，最好是np.float32的數(shù)據(jù)，每個特征放一列。之所以是np.float32原因是這種數(shù)據(jù)類型運算速度快，如果是uint型數(shù)據(jù)將會很慢。

K: 分類數(shù)，opencv2的kmeans分類是需要已知分類數(shù)的。

bestLabels：預設(shè)的分類標簽：沒有的話 None

criteria：迭代停止的模式選擇，這是一個含有三個元素的元組型數(shù)。格式為（type,max_iter,epsilon），max_iter迭代次數(shù)，epsilon結(jié)果的精確性

其中，type又有三種選擇：

• cv2.TERM_CRITERIA_EPS :精確度（誤差）滿足epsilon停止。
• cv2.TERM_CRITERIA_MAX_ITER：迭代次數(shù)超過max_iter停止
• cv2.TERM_CRITERIA_EPS+cv2.TERM_CRITERIA_MAX_ITER，兩者合體，任意一個滿足結(jié)束。
• - attempts：重復試驗kmeans算法次數(shù)，將會返回最好的一次結(jié)果

flags：初始類中心選擇，兩種方法

cv2.KMEANS_PP_CENTERS 算法kmeans++的center; cv2.KMEANS_RANDOM_CENTERS隨機初始化

在這里，我們需要設(shè)置criteria確定停止標準。我們將在超過某些迭代次數(shù)（例如500）時停止，或者如果集群移動小于某個 epsilon 值（讓我們在這里選擇0.1），下面的代碼在OpenCV 中定義了這個停止標準：

# 確定停止標準
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 500, 0.1)

上面圖像，會發(fā)現(xiàn)五種主要顏色（分別是天空、草地、樹、人的上身白，人的下身黑）

因此，我們將為這張圖片使用K=5：

k = 5
_, labels, (centers) = cv2.kmeans(pixel_values, k, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)

cv2.KMEANS_RANDOM_CENTERS只是指示OpenCV最初隨機分配集群的值。

我們將扁平化的圖像像素值轉(zhuǎn)換為浮點數(shù)32類型，是因為cv2.kmeans() 浮點數(shù)32類型，然后，讓我們將浮點數(shù)轉(zhuǎn)換回8 位像素值np.uint8(centers)：

# 轉(zhuǎn)換回np.uint8
centers = np.uint8(centers)
# 展平標簽陣列
labels = labels.flatten()
segmented_image = centers[labels.flatten()]

轉(zhuǎn)換回原始圖像形狀并顯示：

#重塑回原始圖像尺寸
segmented_image = segmented_image.reshape(image.shape)
plt.imshow(segmented_image)
plt.show()

當然，我們還可以禁用圖像中的一些K-Means 聚類集群。例如，讓我們禁用集群編號1并顯示圖像：

# 禁用2號群集（將像素變?yōu)楹谏?masked_image = np.copy(segmented_image)
# 轉(zhuǎn)換為像素值向量的形狀
masked_image = masked_image.reshape((-1, 3))
cluster1 = 1
masked_image[labels == cluster1] = [0, 0, 0]
# 轉(zhuǎn)換回原始形狀
masked_image = masked_image.reshape(image.shape)
plt.imshow(masked_image)
plt.show()

原來K-Means 聚類2 號集群 是樹。

請注意，還有其他分割技術(shù)，例如霍夫變換、輪廓檢測和當前最先進的語義分割。

到此這篇關(guān)于Python使用OpenCV和K-Means聚類對畢業(yè)照進行圖像分割的文章就介紹到這了,更多相關(guān)OpenCV和K-Means圖像分割內(nèi)容請搜索本站以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持本站！

美國快速服務(wù)器

版權(quán)聲明：本站文章來源標注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復制或仿造本網(wǎng)站，禁止在非www.sddonglingsh.com所屬的服務(wù)器上建立鏡像，否則將依法追究法律責任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學習參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。