圖像分割是將圖像分割成多個不同區域（或片段）的過程。目標是將圖像的表示變成更容易和更有意義的圖像。

在這篇博客中，我們將看到一種圖像分割方法，即K-Means Clustering。

K-Means 聚類是一種無監督機器學習算法，旨在將N 個觀測值劃分為K 個聚類，其中每個觀測值都屬于具有最近均值的聚類。集群是指由于某些相似性而聚合在一起的數據點的集合。對于圖像分割，這里的簇是不同的圖像顏色。

我們使用的環境是pip install opencv-python numpy matplotlib

選擇的圖片是我們學校畢業照的圖片，放心這里沒有我，在學校公眾號找的美圖。

導入所需模塊：

import cv2
import numpy as np
import matplotlib.pyplot as plt
# read the image
image = cv2.imread("Graduation.jpg")

在進行圖像分割之前，讓我們將圖像轉換為RGB格式：

image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

我們將使用cv2.kmeans()函數，它將一個2D數組作為輸入，并且由于我們的原始圖像是3D（寬度、高度和深度為3 個 RGB值），我們需要將高度和寬度展平為單個像素向量（3 個 RGB值）：

# 將圖像重塑為像素和3個顏色值（RGB）的2D數組
print(image.shape) #(853, 1280, 3)
pixel_values = image.reshape((-1, 3))
# 轉換為numpy的float32
pixel_values = np.float32(pixel_values)
print(pixel_values.shape) #(1091840, 3)

關于opencv下的kmean算法，函數為cv2.kmeans()
函數的格式為：kmeans(data, K, bestLabels, criteria, attempts, flags)

data: 分類數據，最好是np.float32的數據，每個特征放一列。之所以是np.float32原因是這種數據類型運算速度快，如果是uint型數據將會很慢。

K: 分類數，opencv2的kmeans分類是需要已知分類數的。

bestLabels：預設的分類標簽：沒有的話 None

criteria：迭代停止的模式選擇，這是一個含有三個元素的元組型數。格式為（type,max_iter,epsilon），max_iter迭代次數，epsilon結果的精確性

其中，type又有三種選擇：

• cv2.TERM_CRITERIA_EPS :精確度（誤差）滿足epsilon停止。
• cv2.TERM_CRITERIA_MAX_ITER：迭代次數超過max_iter停止
• cv2.TERM_CRITERIA_EPS+cv2.TERM_CRITERIA_MAX_ITER，兩者合體，任意一個滿足結束。
• - attempts：重復試驗kmeans算法次數，將會返回最好的一次結果

flags：初始類中心選擇，兩種方法

cv2.KMEANS_PP_CENTERS 算法kmeans++的center; cv2.KMEANS_RANDOM_CENTERS隨機初始化

在這里，我們需要設置criteria確定停止標準。我們將在超過某些迭代次數（例如500）時停止，或者如果集群移動小于某個 epsilon 值（讓我們在這里選擇0.1），下面的代碼在OpenCV 中定義了這個停止標準：

# 確定停止標準
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 500, 0.1)

上面圖像，會發現五種主要顏色（分別是天空、草地、樹、人的上身白，人的下身黑）

因此，我們將為這張圖片使用K=5：

k = 5
_, labels, (centers) = cv2.kmeans(pixel_values, k, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)

cv2.KMEANS_RANDOM_CENTERS只是指示OpenCV最初隨機分配集群的值。

我們將扁平化的圖像像素值轉換為浮點數32類型，是因為cv2.kmeans() 浮點數32類型，然后，讓我們將浮點數轉換回8 位像素值np.uint8(centers)：

# 轉換回np.uint8
centers = np.uint8(centers)

# 展平標簽陣列
labels = labels.flatten()

segmented_image = centers[labels.flatten()]

轉換回原始圖像形狀并顯示：

#重塑回原始圖像尺寸
segmented_image = segmented_image.reshape(image.shape)
plt.imshow(segmented_image)
plt.show()

當然，我們還可以禁用圖像中的一些K-Means 聚類集群。例如，讓我們禁用集群編號1并顯示圖像：

# 禁用2號群集（將像素變為黑色）
masked_image = np.copy(segmented_image)
# 轉換為像素值向量的形狀
masked_image = masked_image.reshape((-1, 3))
cluster1 = 1
masked_image[labels == cluster1] = [0, 0, 0]
# 轉換回原始形狀
masked_image = masked_image.reshape(image.shape)
plt.imshow(masked_image)
plt.show()

原來K-Means 聚類2 號集群 是樹。

請注意，還有其他分割技術，例如霍夫變換、輪廓檢測和當前最先進的語義分割。

到此這篇關于Python使用OpenCV和K-Means聚類對畢業照進行圖像分割的文章就介紹到這了,更多相關OpenCV和K-Means圖像分割內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！