Python如何使用OpenCV和K-Means聚類對畢業照進行圖像分割

這篇文章給大家分享的是有關Python如何使用OpenCV和K-Means聚類對畢業照進行圖像分割的內容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

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據點的集合。對于圖像分割，這里的簇是不同的圖像顏色。

我們使用的環境是pip install opencv-python numpy matplotlib

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，讓我們將圖像轉換為RGB格式：

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

我們將使用cv2.kmeans()函數，它將一個2D數組作為輸入，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數組
print(image.shape) #(853, 1280, 3)
pixel_values = image.reshape((-1, 3))
# 轉換為numpy的float32
pixel_values = np.float32(pixel_values)
print(pixel_values.shape) #(1091840, 3)

關于opencv下的kmean算法，函數為cv2.kmeans()
函數的格式為：kmeans(data, K, bestLabels, criteria, attempts, flags)

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

K: 分類數，opencv2的kmeans分類是需要已知分類數的。

bestLabels：預設的分類標簽：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。格式為（type,max_iter,epsilon），max_iter迭代次數，epsilon結果的精確性

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，任意一個滿足結束。

• - attempts：重復試驗kmeans算法次數，將會返回最好的一次結果

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，我們需要設置criteria確定停止標準。我們將在超過某些迭代次數（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，會發現五種主要顏色（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換為浮點數32類型，是因為cv2.kmeans() 浮點數32類型，然后，讓我們將浮點數轉換回8 位像素值np.uint8(centers)：

# 轉換回np.uint8
centers = np.uint8(centers)

# 展平標簽陣列
labels = labels.flatten()

segmented_image = centers[labels.flatten()]

轉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（將像素變為黑色）
masked_image = np.copy(segmented_image)
# 轉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。

感謝各位的閱讀！關于“Python如何使用OpenCV和K-Means聚類對畢業照進行圖像分割”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！