赞
踩
通过下图解释实现流程:
1、 随机设置K个特征空间内的点作为初始的聚类中⼼(本案例中设置p1和p2)
2、 对于其他每个点计算到K个中⼼的距离, 未知的点选择最近的⼀个聚类中⼼点作为标记类别
3、 接着对着标记的聚类中⼼之后, 重新计算出每个聚类的新中⼼点(平均值)
4、 如果计算得出的新中心点与原中⼼点⼀样(质⼼不再移动) , 那么结束, 否则重新进⾏第⼆步过程【经过判断, 需要重复上述步骤, 开始新⼀轮迭代。
5、 当每次迭代结果不变时, 认为算法收敛, 聚类完成, K-Means⼀定会停下, 不可能陷⼊⼀直选质⼼的过程。
在OpenCV中,K-means()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表示迭代停止的模式选择,这是一个含有三个元素的元组型数。格式为(type, max_iter, epsilon) 其中,type有如下模式: —–cv2.TERM_CRITERIA_EPS :精确度(误差)满足epsilon停止。 —-cv2.TERM_CRITERIA_MAX_ITER:迭代次数超过max_iter停止。 —-cv2.TERM_CRITERIA_EPS+cv2.TERM_CRITERIA_MAX_ITER,两者合体,任意一个满足结束。 attempts表示重复试验kmeans算法的次数,算法返回产生的最佳结果的标签 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
- # 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('../img/lrn.jpg', 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)
-
- # 停止条件 (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 range(2):
- plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray'),
- plt.title(titles[i])
- plt.xticks([]), plt.yticks([])
- plt.show()
效果展示:
(图片素材前女友的,一气之下删了)
- # coding: utf-8
- import cv2
- import numpy as np
- import matplotlib.pyplot as plt
-
- # 读取原始图像
- img = cv2.imread('../img/lrn.jpg')
- print(img.shape)
-
- # 图像二维像素转换为一维
- data = img.reshape((-1, 3))
- data = np.float32(data)
-
- # 停止条件 (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 range(6):
- plt.subplot(2, 3, i + 1), plt.imshow(images[i], 'gray'),
- plt.title(titles[i])
- plt.xticks([]), plt.yticks([])
- plt.show()
效果展示:
(图片素材前女友的,一气之下删了)
- # coding=utf-8
- from sklearn.cluster import KMeans
-
- """
- 第一部分:数据集
- X表示二维矩阵数据,篮球运动员比赛数据
- 总共20行,每行两列数据
- 第一列表示球员每分钟助攻数:assists_per_minute
- 第二列表示球员每分钟得分数:points_per_minute
- """
- X = [[0.0888, 0.5885],
- [0.1399, 0.8291],
- [0.0747, 0.4974],
- [0.0983, 0.5772],
- [0.1276, 0.5703],
- [0.1671, 0.5835],
- [0.1306, 0.5276],
- [0.1061, 0.5523],
- [0.2446, 0.4007],
- [0.1670, 0.4770],
- [0.2485, 0.4313],
- [0.1227, 0.4909],
- [0.1240, 0.5668],
- [0.1461, 0.5113],
- [0.2315, 0.3788],
- [0.0494, 0.5590],
- [0.1107, 0.4799],
- [0.1121, 0.5735],
- [0.1007, 0.6318],
- [0.2567, 0.4326],
- [0.1956, 0.4280]
- ]
-
- # 输出数据集
- print(X)
-
- """
- 第二部分:KMeans聚类
- clf = KMeans(n_clusters=3) 表示类簇数为3,聚成3类数据,clf即赋值为KMeans
- y_pred = clf.fit_predict(X) 载入数据集X,并且将聚类的结果赋值给y_pred
- """
-
- clf = KMeans(n_clusters=3)
- y_pred = clf.fit_predict(X)
-
- # 输出完整Kmeans函数,包括很多省略参数
- print(clf)
- # 输出聚类预测结果
- print("y_pred = ", y_pred)
-
- """
- 第三部分:可视化绘图
- """
-
- import matplotlib.pyplot as plt
-
- # 获取数据集的第一列和第二列数据 使用for循环获取 n[0]表示X第一列
- x = [n[0] for n in X]
- print(x)
- y = [n[1] for n in X]
- print(y)
-
- '''
- 绘制散点图
- 参数:x横轴; y纵轴; c=y_pred聚类预测结果; marker类型:o表示圆点,*表示星型,x表示点;
- '''
- plt.scatter(x, y, c=y_pred, marker='x')
-
- # 绘制标题
- plt.title("Kmeans-Basketball Data")
-
- # 绘制x轴和y轴坐标
- plt.xlabel("assists_per_minute")
- plt.ylabel("points_per_minute")
-
- # 设置右上角图例
- plt.legend(["A", "B", "C"])
-
- # 显示图形
- plt.show()
效果展示:
(图片素材前女友的,一气之下删了)
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。