使用OpenCV的kmeans實現影象分割

阿新 • • 發佈：2022-04-10

一、概述

　　案例：使用kmeans演算法實現影象分割

kmeans演算法引數介紹：
　kmeans( InputArray data, int K, InputOutputArray bestLabels,
                            TermCriteria criteria, int attempts,
                            int flags, OutputArray centers = noArray() )

data：輸入資料，此輸入資料必須是CV_32F型別的
k：要分成幾個類別
bestLabels：分類的標籤（分成k類，那麼就有k種類型的標籤）
criteria：表示kmeans分割的停止條件
attempts：判斷某個樣本屬於某個類別的最少聚類次數。例如：3代表此列別如果聚類了3此就說明它屬於這個類別
flags：中心初始化方法
　　　　有三個值可選：
　　　　　　　　1.KMEANS_RANDOM_CENTERS 表示隨機初始化簇心
　　　　　　　　2.KMEANS_PP_CENTERS 表示用kmeans++演算法來初始化簇心 
　　　　　　　　3.KMEANS_USE_INITIAL_LABELS 表示第一次聚類時用使用者給定的值初始化聚類，後面幾次的聚類，則自動確定簇心。
centers:表示最終分割後每個聚類的中心點位置

　　使用kmeans實現影象畫素分割的步驟：

　　　　1.載入輸入影象

　　　　2.得到影象的寬、高、通道數

　　　　3.建立一個CV_32F的的Mat用於存放樣本資料（由於kmeans方法的輸入資料必須是CV_32F型別的，而直接載入的影象資料是CV_8U型別的所以要經過一層轉換）

　　　　4.將輸入影象的RGB資料轉換為 CV_32F的資料

　　　　5.使用kmeans演算法開始給樣本數量分類

　　　　6.顯示影象分割後的結果

二、程式碼樣例

//輸入影象
    Mat src = imread(filePath);
    if(src.empty()){
        qDebug() 
<<"圖片為空";
        return;
    }
    imshow("src",src);
    //定義隨機顏色
    Scalar colorTab[] = {
        Scalar(0,0,255),
        Scalar(0,255,0),
        Scalar(255,0,0),
        Scalar(0,255,255),
        Scalar(255,0,255)
    };
    //獲取原圖屬性，寬高及維度
    int width = src.cols;
    int height = src.rows;
    int 
 dims = src.channels();//通道數


    //初始化取樣數量
    int sampleCount= width*height;
    int clusterCount = 4;//四分類
    Mat points(sampleCount,dims,CV_32F,Scalar(10));
    Mat labels;
    Mat centers(clusterCount,1,points.type());
    //將RGB圖片資料轉換為樣本資料，因為kmeans要求輸入的樣本資料為CV_32F型別的
    int index = 0;
    for(int row = 0;row<height;row++){
        for(int col = 0;col<width;col++){
            index = row*width+col;
            Vec3b bgr = src.at<Vec3b>(row,col);
            points.at<float>(index,0) = static_cast<int>(bgr[0]);
            points.at<float>(index,1) = static_cast<int>(bgr[1]);
            points.at<float>(index,2) = static_cast<int>(bgr[2]);
        }
    }

    //使用KMeans分類
    TermCriteria criteria = TermCriteria(TermCriteria::EPS+TermCriteria::COUNT,10,0.1);
    kmeans(points,clusterCount,labels,criteria,3,KMEANS_PP_CENTERS,centers);

    //顯示影象分割後的結果
    Mat result = Mat::zeros(src.size(),src.type());
    for(int row=0;row<height;row++){
        for(int col=0;col<width;col++){
            index  = row*width+col;
            int label = labels.at<int>(index,0);
            result.at<Vec3b>(row,col)[0] = colorTab[label][0];
            result.at<Vec3b>(row,col)[1] = colorTab[label][1];
            result.at<Vec3b>(row,col)[2] = colorTab[label][2];
        }
    }
    imshow("result",result);