K均值演算法opencv 分割應用

原

2023年11月02日 23:00:51

k均值演算法的實現過程：

k均值的核心就是不斷移動類別劃分的中心點，直到該點穩定下來或者達到所設定的最大迭代次數，這時當前中心點所劃分的類別就是最終的k均值對樣本資料的聚類。

下圖是對k-means迭代過程的簡單演示。假設有n 個資料樣本需要進行分類，這裡k取值 為2：

（a）初始資料集合

（b）隨機選取兩個點作為初始聚類中心

（c）計算每個點到聚類中心的距離，並聚類到離該點最近的聚類中去

（d）計算每個聚類中所有點的座標平均值，並將這個平均值 作為新的聚類中心

（e）重複（c），計算每個點到聚類中心的距離，並聚類到離該點最近的聚類中去

（f） 重複(d)，計算每個聚類中所有點的座標平均值，並將這個平均值作為新的聚類中心，直到滿足迭代條件。

雖然k-means演算法原理簡單，也有自身的缺陷：

以下是用k-means演算法對一幅影象進行分割的**實現：

#include

#include
#include
#include
#include
using
namespace cv;
using
namespace
std;
intmain
(int argc, char* argv)
}int clustercount = 
4; mat centers
(clustercount, 1, samples.type()); 
kmeans(samples, clustercount, labels, 
termcriteria( cv_termcrit_eps+cv_termcrit_iter, 
10, 
1.0), 
3, kmeans_pp_centers, centers);
//我們已知有3個聚類，用不同的灰度層表示。 
mat img1
(img.rows, img.cols, cv_8uc1)
;         
float step=
255/(clustercount - 
1); 
k=0; 
for(i=
0; i < img1.rows; i++) 
}namedwindow(
「k-means分割效果」,
0); 
imshow(
「k-means分割效果」, img1);
waitkey();
return
0;        
}

由於原影象素大小是4160x2336，計算時候也沒有進行壓縮，所以k-means的迭代消耗時間也是很可觀的，在我的機器上整個耗時約60s。

對影象進行分割，採用k=2效果：

k=3效果：

k=4效果：

非學，無以致疑；非問，無以廣識

k-means

影象分割

個人分類：

機器學習

所屬專欄：

opencv下的機器學習

opencv與

opencv取整

opencv斷言

opencv生長

opencv修復

▼檢視關於本篇文章更多資訊

K均值演算法 應用

1.應用k means演算法進行壓縮 讀取一張 觀察檔案大小，佔記憶體大小，資料結構，線性化 用kmeans對畫素顏色進行聚類 獲取每個畫素的顏色類別，每個類別的顏色 觀察壓縮的檔案大小，佔記憶體大小 原圖大小 image.size 7 print 原圖記憶體 sys.getsizeof image...

K 均值演算法

動態聚類方法是模式識別中一種普遍採用的方法，它具有以下3個要點 1 選定某種距離度量作為樣本間的相似性度量 2 確定某個評價聚類結果質量的準則函式 3 給定某個初始分類，然後用迭代演算法找出使準則函式取極值的最好的聚類結果 k means演算法 輸入 聚類個數k，以及包含 n個資料物件的資料庫。輸出...

K均值演算法

假設需要聚成k個類 演算法先會隨機從資料集中選取k個點，把他們當做k個聚類的中心點 依次計算資料集中的每乙個點與各個中心點的距離，離哪個中心點近，就劃分到那個中心點對應的聚類下 計算分到同一類簇下，所有點的均值，更新中心點，重複 直至達到迭代結束條件 import numpy as np impor...