Python使用OpenCV和K-Means聚类对毕业照进行图像分割

图像分割是将图像分割成多个不同区域（或片段）的过程。目标是将图像的表示变成更容易和更有意义的图像。

在这篇博客中，我们将看到一种图像分割方法，即k-means clustering。

k-means 聚类是一种无监督机器学习算法，旨在将n 个观测值划分为k 个聚类，其中每个观测值都属于具有最近均值的聚类。集群是指由于某些相似性而聚合在一起的数据点的集合。对于图像分割，这里的簇是不同的图像颜色。

我们使用的环境是pip install opencv-python numpy matplotlib

选择的图片是我们学校毕业照的图片，放心这里没有我，在学校公众号找的美图。

导入所需模块：

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

在进行图像分割之前，让我们将图像转换为rgb格式：

image = cv2.cvtcolor(image, cv2.color_bgr2rgb)

我们将使用cv2.kmeans()函数，它将一个2d数组作为输入，并且由于我们的原始图像是3d（宽度、高度和深度为3 个 rgb值），我们需要将高度和宽度展平为单个像素向量（3 个 rgb值）：

# 将图像重塑为像素和3个颜色值（rgb）的2d数组
print(image.shape) #(853, 1280, 3)
pixel_values = image.reshape((-1, 3))
# 转换为numpy的float32
pixel_values = np.float32(pixel_values)
print(pixel_values.shape) #(1091840, 3)

关于opencv下的kmean算法，函数为cv2.kmeans()
函数的格式为：kmeans(data, k, bestlabels, criteria, attempts, flags)

data: 分类数据，最好是np.float32的数据，每个特征放一列。之所以是np.float32原因是这种数据类型运算速度快，如果是uint型数据将会很慢。

k: 分类数，opencv2的kmeans分类是需要已知分类数的。

bestlabels：预设的分类标签：没有的话 none

criteria：迭代停止的模式选择，这是一个含有三个元素的元组型数。格式为（type,max_iter,epsilon），max_iter迭代次数，epsilon结果的精确性

其中，type又有三种选择：

• cv2.term_criteria_eps :精确度（误差）满足epsilon停止。
• cv2.term_criteria_max_iter：迭代次数超过max_iter停止
• cv2.term_criteria_eps+cv2.term_criteria_max_iter，两者合体，任意一个满足结束。
• - attempts：重复试验kmeans算法次数，将会返回最好的一次结果

flags：初始类中心选择，两种方法

cv2.kmeans_pp_centers 算法kmeans++的center; cv2.kmeans_random_centers随机初始化

在这里，我们需要设置criteria确定停止标准。我们将在超过某些迭代次数（例如500）时停止，或者如果集群移动小于某个 epsilon 值（让我们在这里选择0.1），下面的代码在opencv 中定义了这个停止标准：

# 确定停止标准
criteria = (cv2.term_criteria_eps + cv2.term_criteria_max_iter, 500, 0.1)

上面图像，会发现五种主要颜色（分别是天空、草地、树、人的上身白，人的下身黑）

因此，我们将为这张图片使用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最初随机分配集群的值。

我们将扁平化的图像像素值转换为浮点数32类型，是因为cv2.kmeans() 浮点数32类型，然后，让我们将浮点数转换回8 位像素值np.uint8(centers)：

# 转换回np.uint8
centers = np.uint8(centers)

# 展平标签阵列
labels = labels.flatten()

segmented_image = centers[labels.flatten()]

转换回原始图像形状并显示：

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

当然，我们还可以禁用图像中的一些k-means 聚类集群。例如，让我们禁用集群编号1并显示图像：

# 禁用2号群集（将像素变为黑色）
masked_image = np.copy(segmented_image)
# 转换为像素值向量的形状
masked_image = masked_image.reshape((-1, 3))
cluster1 = 1
masked_image[labels == cluster1] = [0, 0, 0]
# 转换回原始形状
masked_image = masked_image.reshape(image.shape)
plt.imshow(masked_image)
plt.show()

原来k-means 聚类2 号集群 是树。

请注意，还有其他分割技术，例如霍夫变换、轮廓检测和当前最先进的语义分割。

到此这篇关于python使用opencv和k-means聚类对毕业照进行图像分割的文章就介绍到这了,更多相关opencv和k-means图像分割内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！