使用C++、opencv中的Kmeans进行图像分割
K-means算法的原理
k -均值算法是一种基于距离相似性的聚类算法，通过比较样本之间的相似性，将形式的样本分为相同的类别。 k均值算法的基本过程如下。初始化常数，随机初始化k个集群中心。 重复计算以下流程，直到集群中心不再更改。 计算各样本与各集群中心的相似度，将样本分类为最相似的类别
计算被分类到各级的所有样本特征的平均值，将其平均值作为各级的新聚类中心
输出最终的集群中心和每个样本所属的类别。 k均值算法需要随机初始化k个簇中心，但是k均值算法对初始簇中心的选择非常敏感，如果所选簇中心不好，得到的簇结果会非常差，所以k -。
随机选择采样点作为数据集内第一个初始化的集群中心，然后选择剩下的集群中心。 计算采样中的各个采样点与初始化的簇中心的距离，选择其中最短的距离，选择概率上距离最大的采样作为新的簇中心，重复上述步骤直到确定簇中心
对于k个初始化的聚类中心，使用k均值算法计算最终的聚类中心。 有关k均值算法的原理，请参见https://www.cn blogs.com/pinard/p/6164214.html
359博客. csdn.net/loveliuzz/article /详细信息/78783773
opencv的Kmeans相关API :
Doublekmeans (输入数据，整数，输入基准，标准，输入标记，输出基准)
data:是需要自动聚类的数据，一般为Mat。 每个行为都有一个样本的浮点型矩阵。
k:分为几个类别，是比较重要的参数之一。
由bestLabels:返回的类标记。 是整数值。
criteria:算法结束的基准取得期待精度的反复最大次数
attempts:判断某个样本是某一类的最小聚类次数，例如，如果值为3，则即使某个样本被聚类三次，也确定该样本是同一类。
flags:确定如何计算群集的中心。 有三个值。 KMEANS_RANDOM_CENTERS表示将群集的中心随机初始化。 KMEANS_PP_CENTERS表示用kmeans算法初始化集群中心，KMEANS_USE_INITIAL_LABELS表示用户在第一个集群时指定的值初始化集群，之后
centers:用于初始化群集的中心。 与上一个flags参数的选择有关。 如果选择KMEANS_RANDOM_CENTERS来随机初始化群集的中心，则可以省略此参数。
使用聚类方法分割图像。 也就是说，图像的像素点值(通常使用彩色图像。 像素点值为3值数组(b，g，r ) () ) ) ) ) ) ) ) ) ) ) ) )，将图像中的所有点分类为n种，取得分割的效果，这里只显示代码效果，但实际上这可能有助于复杂的分割。
代码如下所示。
# #包括足球俱乐部
# #
# #包含iostream
# #包括匹配. h
# #包括向量机
# #包含地图
# #包括开放/CV.h
#include opencv/highgui.h
# #包括开放/核心. h
# #包括opencv2(opencv.HPP
//集群数宏定义
# #定义集群编号2
单一名称空间光碟；
单一名称空间固态硬盘；
//k均值聚类
最大群集(最大src )。
int row=src.rows；
英特尔公司=日本全国石油公司；
无符号长整型=低*酷；
//定义集群图像，存储各位置的类别标签
最大群集(大小，1，CV_32SC1)；
//将源图转换为数据点
matsrcpoint (尺寸，1，CV_32FC3)；
vec3f * src点_ p=(vec3f * ) src点.数据；
VEC3f*src_p=(VEC3f* ) src .数据；
无符号lo
ng int i; for (i = 0; i < size; i++) { *srcPoint_p = *src_p; srcPoint_p++; src_p++; } Mat center(ClusterNum, 1, CV_32FC3); //用不同的标记度量聚类中心距离和的紧密度 double compactness; compactness = kmeans(srcPoint, ClusterNum, clusters, cvTermCriteria(CV_TERMCRIT_EPS + CV_TERMCRIT_ITER, 10, 0.1), ClusterNum, KMEANS_PP_CENTERS, center); cout << "center row:" << center.rows << " col:" << center.cols << endl; for (int y = 0; y < center.rows; y++) { Vec3f* imgData = center.ptr<Vec3f>(y); for (int x = 0; x < center.cols; x++) { cout << imgData[x].val[0] << " " << imgData[x].val[1] << " " << imgData[x].val[2] << endl; } cout << endl; } double minH, maxH; minMaxLoc(clusters, &minH, &maxH); cout << "H-channel min:" << minH << " max:" << maxH << endl; int* clusters_p = (int*)clusters.data; Mat label(src.size(), CV_32SC1); int* label_p = (int*)label.data; //将类别分配给Mat标签 for (i = 0; i < size; i++) { *label_p = *clusters_p; label_p++; clusters_p++; } Mat label_show; label.convertTo(label_show, CV_8UC1); normalize(label_show, label_show, 255, 0, CV_MINMAX); imshow("label", label_show); map<int, int> count; map<int, Vec3f> avg; for (int y = 0; y < row; y++) { const Vec3f* imgData = src.ptr<Vec3f>(y); int* idx = label.ptr<int>(y); for (int x = 0; x < col; x++) { avg[idx[x]] += imgData[x]; count[idx[x]] ++; } } //output the average value (clustering center) //计算所得的聚类中心与kmean函数中center的第一列一致， //以后可以省去后面这些繁复的计算，直接利用center, //但是仍然不理解center的除第一列以外的其他列所代表的意思 for (i = 0; i < ClusterNum; i++) { avg[i] /= count[i]; if (avg[i].val[0]>0 && avg[i].val[1]>0 && avg[i].val[2]>0) { cout << i << ": " << avg[i].val[0] << " " << avg[i].val[1] << " " << avg[i].val[2] << " count:" << count[i] << endl; } } //显示聚类图像 Mat showImg(src.size(), CV_32FC3); for (int y = 0; y < row; y++) { Vec3f* imgData = showImg.ptr<Vec3f>(y); int *idx = label.ptr<int>(y); for (int x = 0; x < col; x++) { int id = idx[x]; imgData[x].val[0] = avg[id].val[0]; imgData[x].val[1] = avg[id].val[1]; imgData[x].val[2] = avg[id].val[2]; } } normalize(showImg, showImg, 1, 0, CV_MINMAX);//标准化 imshow("show", showImg); waitKey(); return label;//返回聚类后的标签 } int main() { //读取图像 Mat img = imread("D:\1.jpg", 1); if (!img.data) { cout << "src image load failed!" << endl; return -1; } imshow("src", img); //高斯滤波降噪 GaussianBlur(img, img, Size(3, 3), 0); //转换图片类型 img.convertTo(img, CV_32FC3); //聚类操作 Mat pixId = clustering(img); }源图：
标签图（分类后的结果，代码中分为2类）：
结果图：