OpenCV入门（二十九）快速学会OpenCV 28 K均值聚类
OpenCV入门（二十九）快速学会OpenCV 28 K均值聚类
作者：Xiou
1.K均值聚类概述
当我们要预测的是一个离散值时，做的工作就是“分类”。例如，要预测一个孩子能否成为优秀的运动员，其实就是要将他分到“好苗子”（能成为优秀的运动员）或“普通孩子”（不能成为优秀运动员）的类别。当我们要预测的是一个连续值时，做的工作就是“回归”。例如，预测一个孩子将来成为运动员的指数，计算得到的是0.99或者0.36之类的数值。
机器学习模型还可以将训练集中的数据划分为若干个组，每个组被称为一个“簇（cluster）”。这些自动形成的簇，可能对应着不同的潜在概念，例如“篮球苗子”、“长跑苗子”。这种学习方式被称为“聚类（clusting）”，它的重要特点是在学习过程中不需要用标签对训练样本进行标注。也就是说，学习过程能够根据现有训练集自动完成分类（聚类）。
根据训练数据是否有标签，我们可以将学习划分为监督学习和无监督学习。前面介绍的K近邻、支持向量机都是监督学习，提供有标签的数据给算法学习，然后对数据分类。而聚类是无监督学习，事先并不知道分类标签是什么，直接对数据分类。
举一个简单的例子，有100粒豆子，如果已知其中40粒为绿豆，40粒为大豆，根据上述标签，将剩下的20粒豆子划分为绿豆和大豆则是监督学习。针对上述问题可以使用K近邻算法，计算当前待分类豆子的大小，并找出距离其最近的5粒豆子的大小，判断这5粒豆子中哪种豆子最多，将当前豆子判定为数量最多的那一类豆子类别。
同样，有100粒豆子，我们仅仅知道这些豆子里有两个不同的品种，但并不知道到底是什么品种。此时，可以根据豆子的大小、颜色属性，或者根据大小和颜色的组合属性，将其划分为两个类型。在此过程中，我们没有使用已知标签，也同样完成了分类，此时的分类是一种无监督学习。
聚类是一种无监督学习，它能够将具有相似属性的对象划分到同一个集合（簇）中。聚类方法能够应用于所有对象，簇内的对象越相似，聚类算法的效果越好。
1.1 K均值聚类的基本步骤
K均值聚类是一种将输入数据划分为k个簇的简单的聚类算法，该算法不断提取当前分类的中心点（也称为质心或重心），并最终在分类稳定时完成聚类。从本质上说，K均值聚类是一种迭代算法。
K均值聚类算法的基本步骤如下：
1．随机选取k个点作为分类的中心点。
2．将每个数据点放到距离它最近的中心点所在的类中。
3．重新计算各个分类的数据点的平均值，将该平均值作为新的分类中心点。
4．重复步骤2和步骤3，直到分类稳定。
在第1步中，可以是随机选取k个点作为分类的中心点，也可以是随机生成k个并不存在于原始数据中的数据点作为分类中心点。在第3步中，提到的“距离最近”，说明要进行某种形式的距离计算。在具体实现时，可以根据需要采用不同形式的距离度量方法。当然，不同的计算方法会对算法的性能产生影响。
1.2 K均值聚类模块
OpenCV提供了函数cv2.kmeans()来实现K均值聚类。该函数的语法格式为：
retval, bestLabels, centers=cv2.kmeans(data, K, bestLabels, criteria, attempts,
flags)
式中各个参数的含义为：
● data：输入的待处理数据集合，应该是np.float32类型，每个特征放在单独的一列中。
● K：要分出的簇的个数，即分类的数目，最常见的是K=2，表示二分类。
● bestLabels：表示计算之后各个数据点的最终分类标签（索引）。实际调用时，参数bestLabels的值设置为None。
● criteria：算法迭代的终止条件。当达到最大循环数目或者指定的精度阈值时，算法停止继续分类迭代计算。该参数由3个子参数构成，分别为type、max_iter和eps。
type表示终止的类型，可以是三种情况，分别为：
● cv2.TERM_CRITERIA_EPS：精度满足eps时，停止迭代。
● cv2.TERM_CRITERIA_MAX_ITER：迭代次数超过阈值max_iter时，停止迭代。
● cv2.TERM_CRITERIA_EPS +cv2.TERM_CRITERIA_MAX_ITER：上述两个条件中的任意一个满足时，停止迭代。
● max_iter：最大迭代次数。
● eps：精确度的阈值。
● attempts：在具体实现时，为了获得最佳分类效果，可能需要使用不同的初始分类值进行多次尝试。指定attempts的值，可以让算法使用不同的初始值进行多次（attempts次）尝试。
● flags：表示选择初始中心点的方法，主要有以下3种。
● cv2.KMEANS_RANDOM_CENTERS：随机选取中心点。
● cv2.KMEANS_PP_CENTERS：基于中心化算法选取中心点。
●cv2.KMEANS_USE_INITIAL_LABELS：使用用户输入的数据作为第一次分类中心点；如果算法需要尝试多次（attempts 值大于1时），后续尝试都是使用随机值或者半随机值作为第一次分类中心点。
返回值的含义为：
● retval：距离值（也称密度值或紧密度），返回每个点到相应中心点距离的平方和。
● bestLabels：各个数据点的最终分类标签（索引）。
● centers：每个分类的中心点数据。
2.操作实例
随机生成一组数据，使用函数cv2.kmeans()对其分类。
为了方便理解，假设有两种豆子，其中一种是“xiaoMI”，另外一种是“daMI”。它们的直径不一样，xiaoMI的直径在[0, 50]区间；daMI的直径在[200, 250]区间。用随机数模拟两种豆子的直径，并使用函数cv2.kmeans()对它们分类。
2.1 数据预处理
使用随机函数随机生成两组豆子的直径数据，并将它们转换为函数cv2.kmeans()可以处理的格式。
2.2 设置参数
设置函数cv2.kmeans()的参数形式。将参数criteria的值设置为“(cv2.TERM_CRITERIA_EPS+cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)”，在达到一定次数或者满足一定精度时终止迭代。
2.3 调用函数cv2.kmeans()
调用函数cv2.kmeans()，获取返回值，用于后续步骤的操作。
2.4 确定分类
根据函数cv2.kmeans()返回的标签（“0”和“1”），将原始数据分为两组。
2.5 显示结果
绘制经过分类的数据及中心点，观察分类结果。
代码（1）如下：
import numpy as np
import cv2
from matplotlib import pyplot as plt
# 随机生成两组数组
# 生成60个值在[0,50]内的xiaoMI直径数据
xiaoMI = np.random.randint(0,50,60)
# 生成60个值在[200,250]内的daMI直径数据
daMI = np.random.randint(200,250,60)
# 将xiaoMI和daMI组合为MI
MI = np.hstack((xiaoMI, daMI))
# 使用reshape函数将其转换为(120,1)
MI = MI.reshape((120,1))
# 将MI转换为float32类型
MI = np.float32(MI)
# 调用kmeans模块
# 设置参数criteria的值
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
# 设置参数flags的值
flags = cv2.KMEANS_RANDOM_CENTERS
# 调用函数kmeans
retval, bestLabels, centers = cv2.kmeans(MI,2, None, criteria,10, flags)
'''
# 打印返回值
print(retval)
print(bestLabels)
print(centers)
'''
# 获取分类结果
XM = MI[bestLabels==0]
DM = MI[bestLabels==1]
# 绘制分类结果
# 绘制原始数据
plt.plot(XM, 'ro')
plt.plot(DM, 'bo')
# 绘制中心点
plt.plot(centers[0], 'rx')
plt.plot(centers[1], 'bx')
plt.show()
输出结果：
在图中，上面的小方块是标签为“0”的数据点，下方的圆点是标签为“1”的数据点。上方的“x”标记是标签为“0”的数据组的中心点，其值大概在225左右；下方的“x”是标签为“1”的数据组的中心点，其值大概在25左右。在需要时，可以通过print语句打印centers[0]和centers[1]获取两个中心点的值。
代码（2）如下：
import numpy as np
import cv2
from matplotlib import pyplot as plt
# 随机生成两组数值
# xiaomi组，长和宽都在[0,20]内
xiaomi = np.random.randint(0,20, (30,2))
#dami组，长和宽的大小都在[40,60]
dami = np.random.randint(40,60, (30,2))
# 组合数据
MI = np.vstack((xiaomi, dami))
# 转换为float32类型
MI = np.float32(MI)
# 调用kmeans模块
# 设置参数criteria值
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
# 调用kmeans函数
ret, label, center=cv2.kmeans(MI,2, None, criteria,10, cv2.KMEANS_RANDOM_CENTERS)
'''
#打印返回值
print(ret)
print(label)
print(center)
'''
# 根据kmeans的处理结果，将数据分类，分为XM和DM两大类
XM = MI[label.ravel()==0]
DM = MI[label.ravel()==1]
# 绘制分类结果数据及中心点
plt.scatter(XM[:,0], XM[:,1], c = 'g', marker = 's')
plt.scatter(DM[:,0], DM[:,1], c = 'r', marker = 'o')
plt.scatter(center[0,0], center[0,1], s = 200, c = 'b', marker = 'o')
plt.scatter(center[1,0], center[1,1], s = 200, c = 'b', marker = 's')
plt.xlabel('Height'), plt.ylabel('Width')
plt.show()
输出结果：
在图中，右上方的小方块是标签为“0”的数据点，左下方的圆点是标签为“1”的数据点。右上方稍大的圆点是标签“0”的数据组的中心点；左下方稍大的方块是标签为“1”的数据组的中心点。
在程序中，“#打印返回值”下面3行的打印语句被注释掉了。在需要时，可以去掉注释，通过print语句打印对应的值。例如，语句“print(center)”可以打印center所表示的两个中心点的值。
代码（3）实例：使用函数cv2.kmeans()将灰度图像处理为只有两个灰度级的二值图像。
import numpy as np
import cv2
import matplotlib.pyplot as plt
# 读取待处理图像
img = cv2.imread('lena.bmp')
# 使用reshape将一个像素点的RGB值作为一个单元处理
data = img.reshape((-1,3))
# 转换为kmeans可以处理的类型
data = np.float32(data)
# 调用kmeans模块
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
K =2
ret, label, center=cv2.kmeans(data, K, None, criteria,10, cv2.KMEANS_RANDOM_CENTER
S)
# 转换为uint8数据类型，将每个像素点都赋值为当前分类的中心点像素值
# 将center的值转换为uint8
center = np.uint8(center)
# 使用center内的值替换原像素点的值
res1 = center[label.flatten()]
# 使用reshape调整替换后的图像
res2 = res1.reshape((img.shape))
# 显示处理结果
plt.subplot(121)
plt.imshow(img)
plt.axis('off')
plt.subplot(122)
plt.imshow(res2)
plt.axis('off')
输出结果：
其中，左图是原始图像，右图是二值化图像。调整程序中的K值，就能改变图像的显示结果。例如，K=8，则可以让图像显示8个灰度级。
浙公网安备 33010602011771号