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~
一.K-Means聚类原理
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。
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。
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。
Original: https://www.cnblogs.com/huaweiyun/p/16673368.html
Author: 华为云开发者联盟
Title: Python图像处理丨基于K-Means聚类的图像区域分割
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/809277/
转载文章受原作者版权保护。转载请注明原作者出处！