Python影像處理丨基于K-Means聚類的影像區域分割

摘要：本篇文章主要講解基于理論的影像分割方法，通過K-Means聚類演算法實作影像分割或顏色分層處理，

本文分享自華為云社區《[Python影像處理] 十九.影像分割之基于K-Means聚類的區域分割》，作者： eastmount，

本篇文章主要講解基于理論的影像分割方法，通過K-Means聚類演算法實作影像分割或顏色分層處理，基礎性文章，希望對你有所幫助，

• 一.K-Means原理
• 二.K-Means聚類分割灰度影像
• 三.K-Means聚類對比分割彩色影像

注意 ：該部分知識均為楊秀璋查閱資料撰寫，未經授權禁止轉載，謝謝！！如果有問題隨時私聊我，只望您能從這個系列中學到知識，一起加油喔~

該系列在github所有源代碼：https://github.com/eastmountyxz/ImageProcessing-Python

一.K-Means聚類原理

第一部分知識主要參考自己的新書《Python網路資料爬取及分析從入門到精通（分析篇）》和之前的博客 [Python資料挖掘課程] 二.Kmeans聚類資料分析，

K-Means聚類是最常用的聚類演算法，最初起源于信號處理，其目標是將資料點劃分為K個類簇，找到每個簇的中心并使其度量最小化，該演算法的最大優點是簡單、便于理解，運算速度較快，缺點是只能應用于連續型資料，并且要在聚類前指定聚集的類簇數，

下面是K-Means聚類演算法的分析流程，步驟如下：

• 第一步，確定K值，即將資料集聚集成K個類簇或小組，
• 第二步，從資料集中隨機選擇K個資料點作為質心（Centroid）或資料中心，
• 第三步，分別計算每個點到每個質心之間的距離，并將每個點劃分到離最近質心的小組，跟定了那個質心，
• 第四步，當每個質心都聚集了一些點后，重新定義演算法選出新的質心，
• 第五步，比較新的質心和老的質心，如果新質心和老質心之間的距離小于某一個閾值，則表示重新計算的質心位置變化不大，收斂穩定，則認為聚類已經達到了期望的結果，演算法終止，
• 第六步，如果新的質心和老的質心變化很大，即距離大于閾值，則繼續迭代執行第三步到第五步，直到演算法終止，

下圖是對身高和體重進行聚類的演算法，將資料集的人群聚集成三類，

二.K-Means聚類分割灰度影像

在影像處理中，通過K-Means聚類演算法可以實作影像分割、影像聚類、影像識別等操作，本小節主要用來進行影像顏色分割，假設存在一張100×100像素的灰度影像，它由10000個RGB灰度級組成，我們通過K-Means可以將這些像素點聚類成K個簇，然后使用每個簇內的質心點來替換簇內所有的像素點，這樣就能實作在不改變解析度的情況下量化壓縮影像顏色，實作影像顏色層級分割，

在OpenCV中，Kmeans()函式原型如下所示：

retval, bestLabels, centers = kmeans(data, K, bestLabels, criteria, attempts, flags[, centers])

• data表示聚類資料，最好是np.flloat32型別的N維點集
• K表示聚類類簇數
• bestLabels表示輸出的整數陣列，用于存盤每個樣本的聚類標簽索引
• criteria表示演算法終止條件，即最大迭代次數或所需精度，在某些迭代中，一旦每個簇中心的移動小于criteria.epsilon，演算法就會停止
• attempts表示重復試驗kmeans演算法的次數，演算法回傳產生最佳緊湊性的標簽
• flags表示初始中心的選擇，兩種方法是cv2.KMEANS_PP_CENTERS ;和cv2.KMEANS_RANDOM_CENTERS
• centers表示集群中心的輸出矩陣，每個集群中心為一行資料

下面使用該方法對灰度影像顏色進行分割處理，需要注意，在進行K-Means聚類操作之前，需要將RGB像素點轉換為一維的陣列，再將各形式的顏色聚集在一起，形成最終的顏色分割，

# coding: utf-8
import cv2
import numpy as np
import matplotlib.pyplot as plt
#讀取原始影像灰度顏色
img = cv2.imread('scenery.png', 0) 
print img.shape
#獲取影像高度、寬度
rows, cols = img.shape[:]
#影像二維像素轉換為一維
data = img.reshape((rows * cols, 1))
data = np.float32(data)
#定義中心 (type,max_iter,epsilon)
criteria = (cv2.TERM_CRITERIA_EPS +
            cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
#設定標簽
flags = cv2.KMEANS_RANDOM_CENTERS
#K-Means聚類 聚集成4類
compactness, labels, centers = cv2.kmeans(data, 4, None, criteria, 10, flags)
#生成最終影像
dst = labels.reshape((img.shape[0], img.shape[1]))
#用來正常顯示中文標簽
plt.rcParams['font.sans-serif']=['SimHei']
#顯示影像
titles = [u'原始影像', u'聚類影像'] 
images = [img, dst] 
for i in xrange(2): 
 plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray'), 
 plt.title(titles[i]) 
 plt.xticks([]),plt.yticks([]) 
plt.show()

輸出結果如圖所示，左邊為灰度影像，右邊為K-Means聚類后的影像，它將灰度級聚集成四個層級，相似的顏色或區域聚集在一起，

三.K-Means聚類對比分割彩色影像

下面代碼是對彩色影像進行顏色分割處理，它將彩色影像聚集成2類、4類和64類，

# coding: utf-8
import cv2
import numpy as np
import matplotlib.pyplot as plt
#讀取原始影像
img = cv2.imread('scenery.png') 
print img.shape
#影像二維像素轉換為一維
data = img.reshape((-1,3))
data = np.float32(data)
#定義中心 (type,max_iter,epsilon)
criteria = (cv2.TERM_CRITERIA_EPS +
            cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
#設定標簽
flags = cv2.KMEANS_RANDOM_CENTERS
#K-Means聚類 聚集成2類
compactness, labels2, centers2 = cv2.kmeans(data, 2, None, criteria, 10, flags)
#K-Means聚類 聚集成4類
compactness, labels4, centers4 = cv2.kmeans(data, 4, None, criteria, 10, flags)
#K-Means聚類 聚集成8類
compactness, labels8, centers8 = cv2.kmeans(data, 8, None, criteria, 10, flags)
#K-Means聚類 聚集成16類
compactness, labels16, centers16 = cv2.kmeans(data, 16, None, criteria, 10, flags)
#K-Means聚類 聚集成64類
compactness, labels64, centers64 = cv2.kmeans(data, 64, None, criteria, 10, flags)
#影像轉換回uint8二維型別
centers2 = np.uint8(centers2)
res = centers2[labels2.flatten()]
dst2 = res.reshape((img.shape))
centers4 = np.uint8(centers4)
res = centers4[labels4.flatten()]
dst4 = res.reshape((img.shape))
centers8 = np.uint8(centers8)
res = centers8[labels8.flatten()]
dst8 = res.reshape((img.shape))
centers16 = np.uint8(centers16)
res = centers16[labels16.flatten()]
dst16 = res.reshape((img.shape))
centers64 = np.uint8(centers64)
res = centers64[labels64.flatten()]
dst64 = res.reshape((img.shape))
#影像轉換為RGB顯示
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
dst2 = cv2.cvtColor(dst2, cv2.COLOR_BGR2RGB)
dst4 = cv2.cvtColor(dst4, cv2.COLOR_BGR2RGB)
dst8 = cv2.cvtColor(dst8, cv2.COLOR_BGR2RGB)
dst16 = cv2.cvtColor(dst16, cv2.COLOR_BGR2RGB)
dst64 = cv2.cvtColor(dst64, cv2.COLOR_BGR2RGB)
#用來正常顯示中文標簽
plt.rcParams['font.sans-serif']=['SimHei']
#顯示影像
titles = [u'原始影像', u'聚類影像 K=2', u'聚類影像 K=4',
 u'聚類影像 K=8', u'聚類影像 K=16', u'聚類影像 K=64'] 
images = [img, dst2, dst4, dst8, dst16, dst64] 
for i in xrange(6): 
 plt.subplot(2,3,i+1), plt.imshow(images[i], 'gray'), 
 plt.title(titles[i]) 
 plt.xticks([]),plt.yticks([]) 
plt.show()

輸出結果如下圖所示，當K=2顏色聚集成兩種，當K=64顏色聚集成64種，

點擊關注，第一時間了解華為云新鮮技術~

標籤：其他

上一篇：使用 Spring Boot Admin 監控應用狀態

下一篇：bean的作用域決議