圖像分割是將圖像分割成多個(gè)不同區(qū)域（或片段）的過(guò)程。目標(biāo)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(lèi)是一種無(wú)監(jiān)督機(jī)器學(xué)習(xí)算法，旨在將N 個(gè)觀測(cè)值劃分為K 個(gè)聚類(lèi)，其中每個(gè)觀測(cè)值都屬于具有最近均值的聚類(lèi)。集群是指由于某些相似性而聚合在一起的數(shù)據(jù)點(diǎn)的集合。對(duì)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(xué)校畢業(yè)照的圖片，放心這里沒(méi)有我，在學(xué)校公眾號(hào)找的美圖。

導(dǎo)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(jìn)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(gè)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(gè) RGB值），我們需要將高度和寬度展平為單個(gè)像素向量（3 個(gè) RGB值）：

# 將圖像重塑為像素和3個(gè)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(lèi)數(shù)據(jù)，最好是np.float32的數(shù)據(jù)，每個(gè)特征放一列。之所以是np.float32原因是這種數(shù)據(jù)類(lèi)型運(yùn)算速度快，如果是uint型數(shù)據(jù)將會(huì)很慢。

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

bestLabels：預(yù)設(shè)的分類(lèi)標(biāo)簽：沒(méi)有的話 None

criteria：迭代停止的模式選擇，這是一個(gè)含有三個(gè)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(guò)max_iter停止
• cv2.TERM_CRITERIA_EPS+cv2.TERM_CRITERIA_MAX_ITER，兩者合體，任意一個(gè)滿足結(jié)束。
• - attempts：重復(fù)試驗(yàn)kmeans算法次數(shù)，將會(huì)返回最好的一次結(jié)果

flags：初始類(lèi)中心選擇，兩種方法

cv2.KMEANS_PP_CENTERS 算法kmeans++的center; cv2.KMEANS_RANDOM_CENTERS隨機(jī)初始化

在這里，我們需要設(shè)置criteria確定停止標(biāo)準(zhǔn)。我們將在超過(guò)某些迭代次數(shù)（例如500）時(shí)停止，或者如果集群移動(dòng)小于某個(gè) epsilon 值（讓我們?cè)谶@里選擇0.1），下面的代碼在OpenCV 中定義了這個(gè)停止標(biāo)準(zhǔn)：

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

上面圖像，會(huì)發(fā)現(xiàn)五種主要顏色（分別是天空、草地、樹(shù)、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(jī)分配集群的值。

我們將扁平化的圖像像素值轉(zhuǎn)換為浮點(diǎn)數(shù)32類(lèi)型，是因?yàn)閏v2.kmeans() 浮點(diǎn)數(shù)32類(lèi)型，然后，讓我們將浮點(diǎn)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(biāo)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(dāng)然，我們還可以禁用圖像中的一些K-Means 聚類(lèi)集群。例如，讓我們禁用集群編號(hào)1并顯示圖像：

# 禁用2號(hào)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(lái)K-Means 聚類(lèi)2 號(hào)集群 是樹(shù)。

請(qǐng)注意，還有其他分割技術(shù)，例如霍夫變換、輪廓檢測(cè)和當(dāng)前最先進(jìn)的語(yǔ)義分割。

到此這篇關(guān)于Python使用OpenCV和K-Means聚類(lèi)對(duì)畢業(yè)照進(jìn)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(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論