这篇文章给大家分享的是有关Python如何使用OpenCV和K-Means聚类对毕业照进行图像分割的内容。小编觉得挺实用的,因此分享给大家做个参考,一起跟随小编过来看看吧。
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
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。
感谢各位的阅读!关于“Python如何使用OpenCV和K-Means聚类对毕业照进行图像分割”这篇文章就分享到这里了,希望以上内容可以对大家有一定的帮助,让大家可以学到更多知识,如果觉得文章不错,可以把它分享出去让更多的人看到吧!
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。