Python图像处理丨基于K-Means聚类的图像区域分割

摘要：本篇文章主要讲解基于理论的图像分割方法，通过K-Means聚类算法实现图像分割或颜色分层处理。

本文分享自华为云社区《[Python图像处理] 十九.图像分割之基于K-Means聚类的区域分割》，作者： eastmount。
本篇文章主要讲解基于理论的图像分割方法，通过K-Means聚类算法实现图像分割或颜色分层处理。基础性文章，希望对你有所帮助。

• 一.K-Means原理
  
• 二.K-Means聚类分割灰度图像
  
• 三.K-Means聚类对比分割彩色图像
  

注意 ：该部分知识均为杨秀璋查阅资料撰写，未经授权禁止转载，谢谢！！如果有问题随时私聊我，只望您能从这个系列中学到知识，一起加油喔~
该系列在github所有源代码：https://github.com/eastmountyxz/ImageProcessing-Python
一.K-Means聚类原理

第一部分知识主要参考自己的新书《Python网络数据爬取及分析从入门到精通（分析篇）》和之前的博客 [Python数据挖掘课程] 二.Kmeans聚类数据分析。
K-Means聚类是最常用的聚类算法，最初起源于信号处理，其目标是将数据点划分为K个类簇，找到每个簇的中心并使其度量最小化。该算法的最大优点是简单、便于理解，运算速度较快，缺点是只能应用于连续型数据，并且要在聚类前指定聚集的类簇数。
下面是K-Means聚类算法的分析流程，步骤如下：

• 第一步，确定K值，即将数据集聚集成K个类簇或小组。
  
• 第二步，从数据集中随机选择K个数据点作为质心（Centroid）或数据中心。
  
• 第三步，分别计算每个点到每个质心之间的距离，并将每个点划分到离最近质心的小组，跟定了那个质心。
  
• 第四步，当每个质心都聚集了一些点后，重新定义算法选出新的质心。
  
• 第五步，比较新的质心和老的质心，如果新质心和老质心之间的距离小于某一个阈值，则表示重新计算的质心位置变化不大，收敛稳定，则认为聚类已经达到了期望的结果，算法终止。
  
• 第六步，如果新的质心和老的质心变化很大，即距离大于阈值，则继续迭代执行第三步到第五步，直到算法终止。
  

下图是对身高和体重进行聚类的算法，将数据集的人群聚集成三类。
二.K-Means聚类分割灰度图像

在图像处理中，通过K-Means聚类算法可以实现图像分割、图像聚类、图像识别等操作，本小节主要用来进行图像颜色分割。假设存在一张100×100像素的灰度图像，它由10000个RGB灰度级组成，我们通过K-Means可以将这些像素点聚类成K个簇，然后使用每个簇内的质心点来替换簇内所有的像素点，这样就能实现在不改变分辨率的情况下量化压缩图像颜色，实现图像颜色层级分割。
在OpenCV中，Kmeans()函数原型如下所示：
retval, bestLabels, centers = kmeans(data, K, bestLabels, criteria, attempts, flags[, centers])

• data表示聚类数据，最好是np.flloat32类型的N维点集
  
• K表示聚类类簇数
  
• bestLabels表示输出的整数数组，用于存储每个样本的聚类标签索引
  
• criteria表示算法终止条件，即最大迭代次数或所需精度。在某些迭代中，一旦每个簇中心的移动小于criteria.epsilon，算法就会停止
  
• attempts表示重复试验kmeans算法的次数，算法返回产生最佳紧凑性的标签
  
• flags表示初始中心的选择，两种方法是cv2.KMEANS_PP_CENTERS ;和cv2.KMEANS_RANDOM_CENTERS
  
• centers表示集群中心的输出矩阵，每个集群中心为一行数据
  

下面使用该方法对灰度图像颜色进行分割处理，需要注意，在进行K-Means聚类操作之前，需要将RGB像素点转换为一维的数组，再将各形式的颜色聚集在一起，形成最终的颜色分割。

1. # coding: utf-8
2. import cv2
3. import numpy as np
4. import matplotlib.pyplot as plt
5. #读取原始图像灰度颜色
6. img = cv2.imread('scenery.png', 0)
7. print img.shape
8. #获取图像高度、宽度
9. rows, cols = img.shape[:]
10. #图像二维像素转换为一维
11. data = img.reshape((rows * cols, 1))
12. data = np.float32(data)
13. #定义中心 (type,max_iter,epsilon)
14. criteria = (cv2.TERM_CRITERIA_EPS +
15.             cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
16. #设置标签
17. flags = cv2.KMEANS_RANDOM_CENTERS
18. #K-Means聚类 聚集成4类
19. compactness, labels, centers = cv2.kmeans(data, 4, None, criteria, 10, flags)
20. #生成最终图像
21. dst = labels.reshape((img.shape[0], img.shape[1]))
22. #用来正常显示中文标签
23. plt.rcParams['font.sans-serif']=['SimHei']
24. #显示图像
25. titles = [u'原始图像', u'聚类图像']
26. images = [img, dst]
27. for i in xrange(2):
28. plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray'),
29. plt.title(titles[i])
30. plt.xticks([]),plt.yticks([])
31. plt.show()

复制代码

输出结果如图所示，左边为灰度图像，右边为K-Means聚类后的图像，它将灰度级聚集成四个层级，相似的颜色或区域聚集在一起。
三.K-Means聚类对比分割彩色图像

下面代码是对彩色图像进行颜色分割处理，它将彩色图像聚集成2类、4类和64类。

1. # coding: utf-8
2. import cv2
3. import numpy as np
4. import matplotlib.pyplot as plt
5. #读取原始图像
6. img = cv2.imread('scenery.png')
7. print img.shape
8. #图像二维像素转换为一维
9. data = img.reshape((-1,3))
10. data = np.float32(data)
11. #定义中心 (type,max_iter,epsilon)
12. criteria = (cv2.TERM_CRITERIA_EPS +
13.             cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
14. #设置标签
15. flags = cv2.KMEANS_RANDOM_CENTERS
16. #K-Means聚类 聚集成2类
17. compactness, labels2, centers2 = cv2.kmeans(data, 2, None, criteria, 10, flags)
18. #K-Means聚类 聚集成4类
19. compactness, labels4, centers4 = cv2.kmeans(data, 4, None, criteria, 10, flags)
20. #K-Means聚类 聚集成8类
21. compactness, labels8, centers8 = cv2.kmeans(data, 8, None, criteria, 10, flags)
22. #K-Means聚类 聚集成16类
23. compactness, labels16, centers16 = cv2.kmeans(data, 16, None, criteria, 10, flags)
24. #K-Means聚类 聚集成64类
25. compactness, labels64, centers64 = cv2.kmeans(data, 64, None, criteria, 10, flags)
26. #图像转换回uint8二维类型
27. centers2 = np.uint8(centers2)
28. res = centers2[labels2.flatten()]
29. dst2 = res.reshape((img.shape))
30. centers4 = np.uint8(centers4)
31. res = centers4[labels4.flatten()]
32. dst4 = res.reshape((img.shape))
33. centers8 = np.uint8(centers8)
34. res = centers8[labels8.flatten()]
35. dst8 = res.reshape((img.shape))
36. centers16 = np.uint8(centers16)
37. res = centers16[labels16.flatten()]
38. dst16 = res.reshape((img.shape))
39. centers64 = np.uint8(centers64)
40. res = centers64[labels64.flatten()]
41. dst64 = res.reshape((img.shape))
42. #图像转换为RGB显示
43. img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
44. dst2 = cv2.cvtColor(dst2, cv2.COLOR_BGR2RGB)
45. dst4 = cv2.cvtColor(dst4, cv2.COLOR_BGR2RGB)
46. dst8 = cv2.cvtColor(dst8, cv2.COLOR_BGR2RGB)
47. dst16 = cv2.cvtColor(dst16, cv2.COLOR_BGR2RGB)
48. dst64 = cv2.cvtColor(dst64, cv2.COLOR_BGR2RGB)
49. #用来正常显示中文标签
50. plt.rcParams['font.sans-serif']=['SimHei']
51. #显示图像
52. titles = [u'原始图像', u'聚类图像 K=2', u'聚类图像 K=4',
53. u'聚类图像 K=8', u'聚类图像 K=16', u'聚类图像 K=64']
54. images = [img, dst2, dst4, dst8, dst16, dst64]
55. for i in xrange(6):
56. plt.subplot(2,3,i+1), plt.imshow(images[i], 'gray'),
57. plt.title(titles[i])
58. plt.xticks([]),plt.yticks([])
59. plt.show()

复制代码

输出结果如下图所示，当K=2颜色聚集成两种，当K=64颜色聚集成64种。
 
点击关注，第一时间了解华为云新鲜技术~

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！