纯净、安全、绿色的下载网站

首页|软件分类|下载排行|最新软件|IT学院

当前位置:首页IT学院IT技术

OpenCV和K-Means图像分割 Python使用OpenCV和K-Means聚类对毕业照进行图像分割

刘润森!   2021-06-10 我要评论
想了解Python使用OpenCV和K-Means聚类对毕业照进行图像分割的相关内容吗刘润森!在本文为您仔细讲解OpenCV和K-Means图像分割的相关知识和一些Code实例欢迎阅读和指正我们先划重点:OpenCV,图像分割,K-Means图像分割下面大家一起来学习吧

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()

在这里插入图片描述

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


相关文章

猜您喜欢

  • SSM框架 SSM框架整合之Spring+SpringMVC+MyBatis实践步骤

    想了解SSM框架整合之Spring+SpringMVC+MyBatis实践步骤的相关内容吗酷玩时刻在本文为您仔细讲解SSM框架的相关知识和一些Code实例欢迎阅读和指正我们先划重点:SSM框架,Spring,SpringMVC,MyBatis整合下面大家一起来学习吧..
  • python股票数据可视化 python实现股票历史数据可视化分析案例

    想了解python实现股票历史数据可视化分析案例的相关内容吗荣仔!最靓的仔!在本文为您仔细讲解python股票数据可视化的相关知识和一些Code实例欢迎阅读和指正我们先划重点:python股票数据可视化,python,股票可视化下面大家一起来学习吧..

网友评论

Copyright 2020 www.fresh-weather.com 【世纪下载站】 版权所有 软件发布

声明:所有软件和文章来自软件开发商或者作者 如有异议 请与本站联系 点此查看联系方式