摘要：本篇文章主要講解基于理論的圖像分割方法，通過(guò)K-Means聚類算法實(shí)現(xiàn)圖像分割或顏色分層處理。

本文分享自華為云社區(qū)《[Python圖像處理] 十九.圖像分割之基于K-Means聚類的區(qū)域分割》，作者： eastmount。

10余年的花溪網(wǎng)站建設(shè)經(jīng)驗(yàn)，針對(duì)設(shè)計(jì)、前端、開(kāi)發(fā)、售后、文案、推廣等六對(duì)一服務(wù)，響應(yīng)快，48小時(shí)及時(shí)工作處理。營(yíng)銷型網(wǎng)站建設(shè)的優(yōu)勢(shì)是能夠根據(jù)用戶設(shè)備顯示端的尺寸不同，自動(dòng)調(diào)整花溪建站的顯示方式，使網(wǎng)站能夠適用不同顯示終端，在瀏覽器中調(diào)整網(wǎng)站的寬度，無(wú)論在任何一種瀏覽器上瀏覽網(wǎng)站，都能展現(xiàn)優(yōu)雅布局與設(shè)計(jì)，從而大程度地提升瀏覽體驗(yàn)。創(chuàng)新互聯(lián)公司從事“花溪網(wǎng)站設(shè)計(jì)”,“花溪網(wǎng)站推廣”以來(lái)，每個(gè)客戶項(xiàng)目都認(rèn)真落實(shí)執(zhí)行。

本篇文章主要講解基于理論的圖像分割方法，通過(guò)K-Means聚類算法實(shí)現(xiàn)圖像分割或顏色分層處理?；A(chǔ)性文章，希望對(duì)你有所幫助。

• 一.K-Means原理
• 二.K-Means聚類分割灰度圖像
• 三.K-Means聚類對(duì)比分割彩色圖像

注意 ：該部分知識(shí)均為楊秀璋查閱資料撰寫(xiě)，未經(jīng)授權(quán)禁止轉(zhuǎn)載，謝謝?。∪绻袉?wèn)題隨時(shí)私聊我，只望您能從這個(gè)系列中學(xué)到知識(shí)，一起加油喔~

該系列在github所有源代碼：https://github.com/eastmountyxz/ImageProcessing-Python

一.K-Means聚類原理

第一部分知識(shí)主要參考自己的新書(shū)《Python網(wǎng)絡(luò)數(shù)據(jù)爬取及分析從入門(mén)到精通（分析篇）》和之前的博客[Python數(shù)據(jù)挖掘課程] 二.Kmeans聚類數(shù)據(jù)分析。

K-Means聚類是最常用的聚類算法，最初起源于信號(hào)處理，其目標(biāo)是將數(shù)據(jù)點(diǎn)劃分為K個(gè)類簇，找到每個(gè)簇的中心并使其度量最小化。該算法的最大優(yōu)點(diǎn)是簡(jiǎn)單、便于理解，運(yùn)算速度較快，缺點(diǎn)是只能應(yīng)用于連續(xù)型數(shù)據(jù)，并且要在聚類前指定聚集的類簇?cái)?shù)。

下面是K-Means聚類算法的分析流程，步驟如下：

• 第一步，確定K值，即將數(shù)據(jù)集聚集成K個(gè)類簇或小組。
• 第二步，從數(shù)據(jù)集中隨機(jī)選擇K個(gè)數(shù)據(jù)點(diǎn)作為質(zhì)心（Centroid）或數(shù)據(jù)中心。
• 第三步，分別計(jì)算每個(gè)點(diǎn)到每個(gè)質(zhì)心之間的距離，并將每個(gè)點(diǎn)劃分到離最近質(zhì)心的小組，跟定了那個(gè)質(zhì)心。
• 第四步，當(dāng)每個(gè)質(zhì)心都聚集了一些點(diǎn)后，重新定義算法選出新的質(zhì)心。
• 第五步，比較新的質(zhì)心和老的質(zhì)心，如果新質(zhì)心和老質(zhì)心之間的距離小于某一個(gè)閾值，則表示重新計(jì)算的質(zhì)心位置變化不大，收斂穩(wěn)定，則認(rèn)為聚類已經(jīng)達(dá)到了期望的結(jié)果，算法終止。
• 第六步，如果新的質(zhì)心和老的質(zhì)心變化很大，即距離大于閾值，則繼續(xù)迭代執(zhí)行第三步到第五步，直到算法終止。

下圖是對(duì)身高和體重進(jìn)行聚類的算法，將數(shù)據(jù)集的人群聚集成三類。

二.K-Means聚類分割灰度圖像

在圖像處理中，通過(guò)K-Means聚類算法可以實(shí)現(xiàn)圖像分割、圖像聚類、圖像識(shí)別等操作，本小節(jié)主要用來(lái)進(jìn)行圖像顏色分割。假設(shè)存在一張100×100像素的灰度圖像，它由個(gè)RGB灰度級(jí)組成，我們通過(guò)K-Means可以將這些像素點(diǎn)聚類成K個(gè)簇，然后使用每個(gè)簇內(nèi)的質(zhì)心點(diǎn)來(lái)替換簇內(nèi)所有的像素點(diǎn)，這樣就能實(shí)現(xiàn)在不改變分辨率的情況下量化壓縮圖像顏色，實(shí)現(xiàn)圖像顏色層級(jí)分割。

在OpenCV中，Kmeans()函數(shù)原型如下所示：

retval, bestLabels, centers = kmeans(data, K, bestLabels, criteria, attempts, flags[, centers])

• data表示聚類數(shù)據(jù)，最好是np.flloat32類型的N維點(diǎn)集
• K表示聚類類簇?cái)?shù)
• bestLabels表示輸出的整數(shù)數(shù)組，用于存儲(chǔ)每個(gè)樣本的聚類標(biāo)簽索引
• criteria表示算法終止條件，即最大迭代次數(shù)或所需精度。在某些迭代中，一旦每個(gè)簇中心的移動(dòng)小于criteria.epsilon，算法就會(huì)停止
• attempts表示重復(fù)試驗(yàn)kmeans算法的次數(shù)，算法返回產(chǎn)生最佳緊湊性的標(biāo)簽
• flags表示初始中心的選擇，兩種方法是cv2.KMEANS_PP_CENTERS ;和cv2.KMEANS_RANDOM_CENTERS
• centers表示集群中心的輸出矩陣，每個(gè)集群中心為一行數(shù)據(jù)

下面使用該方法對(duì)灰度圖像顏色進(jìn)行分割處理，需要注意，在進(jìn)行K-Means聚類操作之前，需要將RGB像素點(diǎn)轉(zhuǎn)換為一維的數(shù)組，再將各形式的顏色聚集在一起，形成最終的顏色分割。

# coding: utf-8
import cv2
import numpyas np
import matplotlib.pyplotas plt
#讀取原始圖像灰度顏色
img= cv2.imread('scenery.png', 0) 
print img.shape
#獲取圖像高度、寬度
rows, cols= img.shape[:]
#圖像二維像素轉(zhuǎn)換為一維
data= img.reshape((rows * cols, 1))
data= np.float32(data)
#定義中心 (type,max_iter,epsilon)
criteria= (cv2.TERM_CRITERIA_EPS +
            cv2.TERM_CRITERIA_MAX_ITER,10, 1.0)
#設(shè)置標(biāo)簽
flags= cv2.KMEANS_RANDOM_CENTERS
#K-Means聚類 聚集成4類
compactness, labels, centers= cv2.kmeans(data, 4, None, criteria, 10, flags)
#生成最終圖像
dst= labels.reshape((img.shape[0], img.shape[1]))
#用來(lái)正常顯示中文標(biāo)簽
plt.rcParams['font.sans-serif']=['SimHei']
#顯示圖像
titles= [u'原始圖像', u'聚類圖像'] 
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()