<listing id="5l7x1"></listing>

          <listing id="5l7x1"></listing>
            <listing id="5l7x1"><output id="5l7x1"></output></listing>

                <listing id="5l7x1"></listing>

                  <thead id="5l7x1"></thead>

                  <progress id="5l7x1"><output id="5l7x1"></output></progress>

                              <thead id="5l7x1"><output id="5l7x1"><noframes id="5l7x1">

                                <listing id="5l7x1"></listing>
                                <listing id="5l7x1"><b id="5l7x1"><pre id="5l7x1"></pre></b></listing>
                                <thead id="5l7x1"><ol id="5l7x1"><noframes id="5l7x1">

                                <thead id="5l7x1"></thead><thead id="5l7x1"><output id="5l7x1"><noframes id="5l7x1">

                                <thead id="5l7x1"></thead>

                                            [Python图像处理] 十九.图像分割之基于K-Means聚类的区域分割

                                            版权声明:本文为博主原创文章,转载请注明CSDN博客源地址!共同学习,一起进步~ http://www.mwbkrui.tw/Eastmount/article/details/89218513

                                            该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门、OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子、图像增强技术、图像分割等,后期结合深度学习研究图像识别、图像分类应用。希望文章对您有所帮助,如果有不足之处,还请海涵~

                                            同时推荐作者的C++图像系列知识:
                                            [数字图像处理] 一.MFC详解显示BMP格式图片
                                            [数字图像处理] 二.MFC单文档分割窗口显示图片
                                            [数字图像处理] 三.MFC实现图像灰度、采样和量化功能详解
                                            [数字图像处理] 四.MFC对话框绘制灰度直方图
                                            [数字图像处理] 五.MFC图像点运算之灰度线性变化、灰度非线性变化、阈值化和均衡化处理详解
                                            [数字图像处理] 六.MFC空间几何变换之图像平移、镜像、旋转、缩放详解
                                            [数字图像处理] 七.MFC图像增强之图像普通平滑、高斯平滑、Laplacian、Sobel、Prewitt锐化详解

                                            前文参考:
                                            [Python图像处理] 一.图像处理基础知识及OpenCV入门函数
                                            [Python图像处理] 二.OpenCV+Numpy库读取与修改像素
                                            [Python图像处理] 三.获取图像属性、兴趣ROI区域及通道处理
                                            [Python图像处理] 四.图像平滑之均值滤波、方框滤波、高斯滤波及中值滤波
                                            [Python图像处理] 五.图像融合、加法运算及图像类型转换
                                            [Python图像处理] 六.图像缩放、图像旋转、图像翻转与图像平移
                                            [Python图像处理] 七.图像阈值化处理及算法对比
                                            [Python图像处理] 八.图像腐蚀与图像膨胀
                                            [Python图像处理] 九.形态学之图像开运算、闭运算、梯度运算
                                            [Python图像处理] 十.形态学之图像顶帽运算和黑帽运算
                                            [Python图像处理] 十一.灰度直方图概念及OpenCV绘制直方图
                                            [Python图像处理] 十二.图像几何变换之图像仿射变换、图像透视变换和图像校正
                                            [Python图像处理] 十三.基于灰度三维图的图像顶帽运算和黑帽运算
                                            [Python图像处理] 十四.基于OpenCV和像素处理的图像灰度化处理
                                            [Python图像处理] 十五.图像的灰度线性变换
                                            [Python图像处理] 十六.图像的灰度非线性变换之对数变换、伽马变换
                                            [Python图像处理] 十七.图像锐化与边缘检测之Roberts算子、Prewitt算子、Sobel算子和Laplacian算子
                                            [Python图像处理] 十八.图像锐化与边缘检测之Scharr算子、Canny算子和LOG算子

                                            前面的文章讲解了图像锐化和边缘提取技术,该篇文章将开始围绕图像分割进行讲解。百度百科将其定义为:

                                            图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看,图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程,即把属于同一区域的像索赋予相同的编号。

                                            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?;⌒晕恼?,希望对你有所帮助。
                                            1.K-Means原理
                                            2.K-Means聚类分割灰度图像
                                            3.K-Means聚类对比分割彩色图像

                                            注意 :该部分知识均为自己查阅资料撰写,转载请署名CSDN+杨秀璋及原地址出处,谢谢??!


                                            PS:文章参考自己以前系列图像处理文章及OpenCV库函数,同时参考如下文献:
                                            杨秀璋等. 基于苗族服饰的图像锐化和边缘提取技术研究[J]. 现代计算机,2018(10).
                                            《数字图像处理》(第3版),冈萨雷斯著,阮秋琦译,电子工业出版社,2013年.
                                            《数字图像处理学》(第3版),阮秋琦,电子工业出版社,2008年,北京.
                                            《OpenCV3编程入门》,毛星云,冷雪飞,电子工业出版社,2015.


                                            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。

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

                                            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。

                                            # coding: utf-8
                                            import cv2
                                            import numpy as np
                                            import matplotlib.pyplot as plt
                                            
                                            #读取原始图像
                                            img = cv2.imread('scenery.png') 
                                            print img.shape
                                            
                                            #图像二维像素转换为一维
                                            data = img.reshape((-1,3))
                                            data = np.float32(data)
                                            
                                            #定义中心 (type,max_iter,epsilon)
                                            criteria = (cv2.TERM_CRITERIA_EPS +
                                                        cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
                                            
                                            #设置标签
                                            flags = cv2.KMEANS_RANDOM_CENTERS
                                            
                                            #K-Means聚类 聚集成2类
                                            compactness, labels2, centers2 = cv2.kmeans(data, 2, None, criteria, 10, flags)
                                            
                                            #K-Means聚类 聚集成4类
                                            compactness, labels4, centers4 = cv2.kmeans(data, 4, None, criteria, 10, flags)
                                            
                                            #K-Means聚类 聚集成8类
                                            compactness, labels8, centers8 = cv2.kmeans(data, 8, None, criteria, 10, flags)
                                            
                                            #K-Means聚类 聚集成16类
                                            compactness, labels16, centers16 = cv2.kmeans(data, 16, None, criteria, 10, flags)
                                            
                                            #K-Means聚类 聚集成64类
                                            compactness, labels64, centers64 = cv2.kmeans(data, 64, None, criteria, 10, flags)
                                            
                                            #图像转换回uint8二维类型
                                            centers2 = np.uint8(centers2)
                                            res = centers2[labels2.flatten()]
                                            dst2 = res.reshape((img.shape))
                                            
                                            centers4 = np.uint8(centers4)
                                            res = centers4[labels4.flatten()]
                                            dst4 = res.reshape((img.shape))
                                            
                                            centers8 = np.uint8(centers8)
                                            res = centers8[labels8.flatten()]
                                            dst8 = res.reshape((img.shape))
                                            
                                            centers16 = np.uint8(centers16)
                                            res = centers16[labels16.flatten()]
                                            dst16 = res.reshape((img.shape))
                                            
                                            centers64 = np.uint8(centers64)
                                            res = centers64[labels64.flatten()]
                                            dst64 = res.reshape((img.shape))
                                            
                                            #图像转换为RGB显示
                                            img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
                                            dst2 = cv2.cvtColor(dst2, cv2.COLOR_BGR2RGB)
                                            dst4 = cv2.cvtColor(dst4, cv2.COLOR_BGR2RGB)
                                            dst8 = cv2.cvtColor(dst8, cv2.COLOR_BGR2RGB)
                                            dst16 = cv2.cvtColor(dst16, cv2.COLOR_BGR2RGB)
                                            dst64 = cv2.cvtColor(dst64, cv2.COLOR_BGR2RGB)
                                            
                                            #用来正常显示中文标签
                                            plt.rcParams['font.sans-serif']=['SimHei']
                                            
                                            #显示图像
                                            titles = [u'原始图像', u'聚类图像 K=2', u'聚类图像 K=4',
                                                      u'聚类图像 K=8', u'聚类图像 K=16',  u'聚类图像 K=64']  
                                            images = [img, dst2, dst4, dst8, dst16, dst64]  
                                            for i in xrange(6):  
                                               plt.subplot(2,3,i+1), plt.imshow(images[i], 'gray'), 
                                               plt.title(titles[i])  
                                               plt.xticks([]),plt.yticks([])  
                                            plt.show()
                                            

                                            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。


                                            希望这篇基础性文章对您有所帮助,如果有错误 或不足之处,请海涵!一起加油,考博加油。

                                            (By:Eastmount 2019-04-11 夜8点写于贵阳·钟书阁 http://www.mwbkrui.tw/Eastmount/)

                                            没有更多推荐了,返回首页

                                            展开

                                            热门文章

                                            最新评论

                                            062期新报跑狗-1谜语 罗源县| 两当县| 汾西县| 宜城市| 东城区| 阳朔县| 福贡县| 临沂市| 扎鲁特旗| 平武县| 芮城县| 金堂县| 正阳县| 乌鲁木齐市| 虹口区| 宜君县| 都匀市| 佛坪县| 东乡县| 台中市| 汝州市| 泸西县| 四子王旗| 安龙县| 任丘市| 宁化县| http://www.4834jxv.tw 云林县| 永丰县| 祁东县| 汉沽区| 金阳县| 新化县| 泸定县| 松江区| 太谷县| 曲阳县| 满洲里市| 新建县| 湘潭市| 临江市| 门头沟区| 卢湾区| 合川市| 金华市| 璧山县| 资中县| 保德县| 明溪县| 山阴县| 保山市| 桐梓县| 曲松县| 舟曲县| 鹿邑县| 凤台县| http://4806vec.tw 安庆市| 湘西| 噶尔县| 南木林县| 修水县| 正安县| 台南县| 台湾省| 涿鹿县| 香河县| 海阳市| 金川县| 涟源市| 鹿邑县| 祥云县| 斗六市| 陇川县| 庐江县| 柏乡县| 重庆市| 万全县| 九龙城区| 洞头县| 德昌县| 阆中市| 孟连| 清原| SHOW| 通州市| 进贤县| 玉田县| 上林县| 凤山市| 绍兴县| http://zpojmn.cn 秦安县| 清丰县| 台南市| 盘山县| 弥勒县| 保山市| 垦利县| 米泉市| 青河县| 阳原县| 通州市| 齐齐哈尔市| 山阳县| 怀集县| 绥江县| 随州市| 包头市| 海晏县| 通道| 西城区| 独山县| 万年县| 内黄县| 象州县| 枣庄市| 蒙山县| 佛冈县| 苏州市| 东海县| http://cqsrqx.cn 若羌县| 肇东市| 安图县| 时尚| 辽宁省| 武威市| 淮北市| 宜阳县| 盐源县| 达拉特旗| 宿州市| 金昌市| 新竹县| 白朗县| 浮梁县| 延津县| 平定县| 本溪市| 光山县| 基隆市| 虹口区| 临潭县| 阿克苏市| 凤山市| 离岛区| 达州市| 天门市| 永胜县| 聂荣县| http://www.0706ooe.tw 平顺县| 锡林郭勒盟| 仁布县| 彭州市| 婺源县| 广水市| 拜泉县| 宁国市| 太谷县| 正定县| 田林县| 阜平县| 鸡西市| 岑溪市| 盱眙县| 安阳市| 东平县| 郓城县| 永德县| 德昌县| 津市市| 庄河市| 长葛市| 大名县| 荥阳市| 获嘉县| 邓州市| 如皋市| http://www.7611amt.tw 台南市| 隆昌县| 巴青县| 特克斯县| 宝丰县| 永兴县| 福建省| 石嘴山市| 嘉黎县| 淄博市| 广南县| 东源县| 射洪县| 大埔区| 连云港市| 赣榆县| 三门县|