opencv之kmeans原理与分割实例

opencv之K-Means原理与实现方法（C++和python版本）

KMeans原理

今天记录一下opencv中kmeans中的原理以及图像分割的一个实例，K-Means是对数据进行分类的算法，属于无监督学习的一种。
首先需要确定对图像进行类别的数目确定，即需要知道几个类别，然后每个类别都有一个中心点

然后根据距离来决定每个数据点属于哪个类别标签，一次循环实现对所有数据点分类之后，直到指定的循环次数或者前后两次的delta小于指定阈值，停止计算得到最终的样本数据的标签。

先讲讲opencv中KMeans数据分类的函数：
OpenCV中KMeans数据分类的API为：

KMeans函数

double cv::kmeans(
	InputArray data,
	int K,
	InputOutputArray bestLabels,
	TermCriteria criteria,
	int attempts,
	int flags,
	OutputArray centers = noArray() 
)

data是输入的样本数据，必须是按行组织样本，每一行为一个样本数据，列表示样本的维度
K表示最终的分类数目
bestLabels 表示最终分类每个样本的标签（每个样本都有一个标签）
criteria 表示KMeans分割的停止条件
attempts 表示采样不同初始化标签尝试次数
flag表示中心初始化方法（有以下三种方法）

• KMEANS_RANDOM_CENTERS
• KMEANS_PP_CENTERS
• KMEANS_USE_INITIAL_LABELS
  centers表示最终分割以后的每个cluster的中心位置

Kmeans数据分类演示，左图是数据坐标，可以理解为直方图，可以看出他是两个大类，而右图中黄色的是类的中心点

下面使用贾志刚老师的代码进行一个演示，先看python版本的

代码演示

1.python版本

导入必须的库

import numpy as np
import cv2
from matplotlib import pyplot as plt

初始化为25行两列，X范围是25-50的范围，Y的取值范围是60-85。

X = np.random.randint(25,50,(25,2))
Y = np.random.randint(60,85,(25,2))
pts = np.vstack((X,Y))
# 初始化数据
data = np.float32(pts)#必须是一个浮点数数据
print(data.shape)

生成的Y

pts = np.vstack((X,Y))会将其两组数据叠加在一起

定义停止条件

criteria <