青海做网站找谁,百度域名是什么意思,wordpress 错误500,创作者计划文章目录 cv2.kmeans牛刀小试 cv2.kmeans
cv2.kmeans 是 OpenCV 库中用于执行 K-Means 聚类算法的函数。以下是根据参考文章整理的 cv2.kmeans 函数的中文文档#xff1a;
一、函数功能
cv2.kmeans 用于执行 K-Means 聚类算法#xff0c;将一组数据点划分到 K 个簇中… 文章目录 cv2.kmeans牛刀小试 cv2.kmeans
cv2.kmeans 是 OpenCV 库中用于执行 K-Means 聚类算法的函数。以下是根据参考文章整理的 cv2.kmeans 函数的中文文档
一、函数功能
cv2.kmeans 用于执行 K-Means 聚类算法将一组数据点划分到 K 个簇中使得簇内的数据点尽可能相似而簇间的数据点尽可能不同。
二、函数格式
retval, labels, centers cv2.kmeans(data, K, None, criteria, attempts, flags, centersNone)三、参数说明 data需要被聚类的原始数据集合数据类型应为 np.float32。数据应是一维或多维的每个样本应使用一行表示。例如Mat points(count, 2, CV_32F) 表示二维浮点数据集。 K聚类簇数即希望将数据分成的簇的数量。 None在原始 API 中此位置是用于传递之前迭代的标签的但在大多数情况下可以设置为 None因为算法会自动处理。 criteria算法的终止条件。通常是一个包含三个元素的元组 (type, max_iter, epsilon) type终止条件类型可以是 cv2.TERM_CRITERIA_EPS仅当 epsilon 满足时停止、cv2.TERM_CRITERIA_MAX_ITER当迭代次数超过阈值时停止或两者之和。 max_iter最大迭代次数。 epsilon精确度阈值。 attempts使用不同的初始中心或种子来执行算法的次数。算法会返回最好的结果。 flags用于设置如何选择起始重心。可以是 cv2.KMEANS_PP_CENTERS使用 K-Means 初始化或 cv2.KMEANS_RANDOM_CENTERS随机初始化。 centers可选输出的聚类中心。如果未提供则算法会返回一个。
四、返回值
retval紧密度compactness即每个点到其相应簇中心的距离的平方和。labels每个数据点的最终分类标签数组。centers由聚类中心组成的数组。
五、注意事项 在调用 cv2.kmeans 之前通常需要将数据转换为 np.float32 类型并确保数据的形状是 (样本数, 特征数)。 聚类结果可能受初始中心选择的影响因此设置 attempts 参数为较高的值可能会得到更稳定的结果。 根据问题的具体需求和数据特性可能需要调整 K、max_iter 和 epsilon 等参数以获得最佳聚类效果。
牛刀小试
import cv2
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.cm as cmnum_classes 6img cv2.imread(2.jpg, 0) # image read be gray# change img(2D) to 1D
img1 img.reshape((img.shape[0]*img.shape[1], 1))
img1 np.float32(img1)# define criteria (type,max_iter,epsilon)
criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)# set flags: hou to choose the initial center
# ---cv2.KMEANS_PP_CENTERS ;
# cv2.KMEANS_RANDOM_CENTERS
flags cv2.KMEANS_RANDOM_CENTERS# apply kmenas
compactness, labels, centers cv2.kmeans(img1, num_classes, None, criteria, 10, flags)
print(len(centers))mask labels.reshape((img.shape[0],img.shape[1]))cmap cm.get_cmap(Set1, num_classes) # 使用viridis colormap但你可以使用其他colormap# 绘制mask图像
fig, ax plt.subplots(figsize(8, 8))
ax.imshow(mask, cmapcmap, interpolationnearest, alpha0.8)
plt.title(mask)
plt.xticks([])
plt.yticks([])# 你可以添加颜色条colorbar来显示每个颜色对应的类别
cbar fig.colorbar(ax.images[-1], axax, ticksnp.arange(num_classes))
cbar.ax.set_yticklabels([background] [fclass {i} for i in range(1, num_classes)])# 显示图像
plt.show()输入的原图 显示的灰度图 聚成2类
聚成3类 聚成4类 聚成5类 聚成6类
