资讯专栏INFORMATION COLUMN

opencv python K-Means聚类

superPershing / 340人阅读

摘要:指定最大迭代次数的整数要求的准确性重复试验算法次数,将会返回最好的一次结果该标志用于指定初始中心的采用方式。第一列对应于所有个人的高度,第二列对应于它们的权重。类似地,剩余的行对应于其他人的高度和重量。

K-Means Clustering in OpenCV

cv2.kmeans(data, K, bestLabels, criteria, attempts, flags[, centers]) -> retval, bestLabels, centers

data: np.float32数据类型,每个功能应该放在一个列中

nclusters(K):集群数

bestLabels:预设的分类标签:没有的话 None

criteria:它是迭代终止标准,满足此条件时,算法迭代停止,实际上,它应该是3个参数的元组。它们是(type,max_iter,epsilon)

type又有两种选择:

cv2.TERM_CRITERIA_EPS - 如果达到指定的精度epsilon,则停止算法迭代。

cv.TERM_CRITERIA_MAX_ITER - 在指定的迭代次数max_iter之后停止算法。

cv.TERM_CRITERIA_EPS+ cv.TERM_CRITERIA_MAX_ITER - 当满足上述任何条件时停止迭代。

max_iter - 指定最大迭代次数的整数

epsilon - 要求的准确性

attempts:重复试验kmeans算法次数,将会返回最好的一次结果

flags:该标志用于指定初始中心的采用方式。通常会使用两个标志:cv2.KMEANS_PP_CENTERScv2.KMEANS_RANDOM_CENTERS

retval:它是从每个点到它们相应中心的平方距离之和

bestLabels:这是标签数组

centers:这是一组聚类中心

Data with Only One Feature

假设只有一个特征的数据,即一维的,我们可以采用我们的T恤问题,只使用人的高度来决定T恤的大小。
因此,我们首先创建数据并在Matplotlib中绘制它

import numpy as np
import cv2
import matplotlib.pyplot as plt

x = np.random.randint(25,100,25)
y = np.random.randint(175,255,25)
z = np.hstack((x,y))
z = z.reshape((50,1))
z = np.float32(z)
plt.hist(z,256,[0,256]),plt.show()

现在我们应用KMeans功能。我们的标准是,每当运行10次迭代算法或达到epsilon = 1.0的精度时,停止算法并返回答案.

# Define criteria = ( type, max_iter = 10 , epsilon = 1.0 )
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)

# Set flags (Just to avoid line break in the code)
flags = cv2.KMEANS_RANDOM_CENTERS

# Apply KMeans
compactness,labels,centers = cv2.kmeans(z,2,None,criteria,10,flags)


A = z[labels==0]
B = z[labels==1]

# Now plot "A" in red, "B" in blue, "centers" in yellow
plt.hist(A,256,[0,256],color = "r")
plt.hist(B,256,[0,256],color = "b")
plt.hist(centers,32,[0,256],color = "y")
plt.show()

Data with Multiple Features

我们设置大小为50x2的测试数据,其高度和权重为50人。 第一列对应于所有50个人的高度,第二列对应于它们的权重。 第一行包含两个元素,其中第一行是第一人的高度,第二行是他的重量。 类似地,剩余的行对应于其他人的高度和重量。

import numpy as np
import cv2
import matplotlib.pyplot as plt


X = np.random.randint(25,50,(25,2))
Y = np.random.randint(60,85,(25,2))
Z = np.vstack((X,Y))

# convert to np.float32
Z = np.float32(Z)

# define criteria and apply kmeans()
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
ret,label,center=cv2.kmeans(Z,2,None,criteria,10,cv2.KMEANS_RANDOM_CENTERS)

# Now separate the data, Note the flatten()
A = Z[label.ravel()==0]
B = Z[label.ravel()==1]

# Plot the data
plt.scatter(A[:,0],A[:,1])
plt.scatter(B[:,0],B[:,1],c = "r")
plt.scatter(center[:,0],center[:,1],s = 80,c = "y", marker = "s")
plt.xlabel("Height"),plt.ylabel("Weight")
plt.show()

Color Quantization

颜色量化是减少图像中颜色数量的过程,这样做的一个原因是减少内存,某些设备可能具有限制,使得它只能产生有限数量的颜色,在那些情况下,也执行颜色量化,这里我们使用k均值聚类进行颜色量化。

import numpy as np
import cv2
import matplotlib.pyplot as plt


img = cv2.imread("img.jpg")
Z = img.reshape((-1,3))

# convert to np.float32
Z = np.float32(Z)

# define criteria, number of clusters(K) and apply kmeans()
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
K = 8
ret,label,center=cv2.kmeans(Z,K,None,criteria,10,cv2.KMEANS_RANDOM_CENTERS)

# Now convert back into uint8, and make original image
center = np.uint8(center)
res = center[label.flatten()]
res2 = res.reshape((img.shape))

cv2.imshow("res2",res2)
cv2.waitKey(0)
cv2.destroyAllWindows()


文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。

转载请注明本文地址:https://www.ucloud.cn/yun/42224.html

相关文章

  • K-meansPython中的实现

    摘要:算法的关键在于初始中心的选择和距离公式。并行设置的实现算法,有其中表示用方式实现虽然有很多参数,但是都已经给出了默认值。 K-means算法简介 K-means是机器学习中一个比较常用的算法,属于无监督学习算法,其常被用于数据的聚类,只需为它指定簇的数量即可自动将数据聚合到多类中,相同簇中的数据相似度较高,不同簇中数据相似度较低。 K-menas的优缺点: 优点: 原理简单 速度快 ...

    nanfeiyan 评论0 收藏0
  • Python数据挖掘与机器学习,快速掌握聚类算法和关联分析

    摘要:摘要前文数据挖掘与机器学习技术入门实战与大家分享了分类算法,在本文中将为大家介绍聚类算法和关联分析问题。比如,聚类算法可以实现公司客户价值自动划分,网页自动归类等。 摘要:前文数据挖掘与机器学习技术入门实战与大家分享了分类算法,在本文中将为大家介绍聚类算法和关联分析问题。分类算法与聚类到底有何区别?聚类方法应在怎样的场景下使用?如何使用关联分析算法解决个性化推荐问题?本文就为大家揭晓答...

    Anchorer 评论0 收藏0

发表评论

0条评论

最新活动
阅读需要支付1元查看
<