时间戳

首页 > 解决方案 > OpenCV - 如何在灰度图像上应用 Kmeans？

c++ - OpenCV - 如何在灰度图像上应用 Kmeans？

问题描述

我正在尝试使用 Kmeans 对灰度图像进行聚类。

首先，我有一个问题：

Kmeans 是聚类 Mat 的最佳方法还是有更新更有效的方法？

其次，当我尝试这个时：

Mat degrees = imread("an image" , IMREAD_GRAYSCALE);
const unsigned int singleLineSize = degrees.rows * degrees.cols;
Mat data = degrees.reshape(1, singleLineSize);
data.convertTo(data, CV_32F);
std::vector<int> labels;
cv::Mat1f colors;
cv::kmeans(data, 3, labels, cv::TermCriteria(cv::TermCriteria::EPS + cv::TermCriteria::COUNT, 10, 1.), 2, cv::KMEANS_PP_CENTERS, colors);
for (unsigned int i = 0; i < singleLineSize; i++) {
    data.at<float>(i) = colors(labels[i]);
}

Mat outputImage = data.reshape(1, degrees.rows);
outputImage.convertTo(outputImage, CV_8U);
imshow("outputImage", outputImage);

结果 ( outputImage) 为空。

当我尝试colors在 for 循环中相乘时，出现data.at<float>(i) = 255 * colors(labels[i]); 此错误：

未处理的异常：整数除以零。

如何正确聚类灰度图像？

标签： c++opencvcluster-analysisk-means

解决方案

在我看来，您错误地将标签和颜色信息解析为输出矩阵。

K-means 返回此信息：

  • 标签- 这是一个包含所有集群标签的 int 矩阵。它是一个大小为 TotalImagePixels x 1 的“列”矩阵。

  • 中心- 这就是您所说的“颜色”。这是一个包含聚类中心的浮点矩阵。该矩阵的大小为 NumberOfClusters x featureMean。

在这种情况下，当您使用BGR 像素作为“特征”时，请考虑 Centers 有 3 列：B 通道的一个平均值，G 通道的一个平均值，最后一个 R 通道的平均值。

所以，基本上你遍历（普通）标签矩阵，检索标签，使用这个值作为中心矩阵中的索引来检索 3 种颜色。

一种方法如下，使用自动数据说明符并循环输入图像（这样我们可以更容易地索引每个输入标签）：

    //prepare an empty output matrix
    cv::Mat outputImage( inputImage.size(), inputImage.type() );

    //loop thru the input image rows...
    for( int row = 0; row != inputImage.rows; ++row ){

        //obtain a pointer to the beginning of the row
        //alt: uchar* outputImageBegin = outputImage.ptr<uchar>(row);            
        auto outputImageBegin = outputImage.ptr<uchar>(row);

        //obtain a pointer to the end of the row
        auto outputImageEnd = outputImageBegin + outputImage.cols * 3;

        //obtain a pointer to the label:
        auto labels_ptr = labels.ptr<int>(row * inputImage.cols);

        //while the end of the image hasn't been reached...
        while( outputImageBegin != outputImageEnd ){

            //current label index:
            int const cluster_idx = *labels_ptr;

            //get the center of that index:
            auto centers_ptr = centers.ptr<float>(cluster_idx);

            //we got an implicit VEC3B vector, we must map the BGR items to the
            //output mat:
            clusteredImageBegin[0] = centers_ptr[0];
            clusteredImageBegin[1] = centers_ptr[1];
            clusteredImageBegin[2] = centers_ptr[2];

            //increase the row "iterator" of our matrices:
            clusteredImageBegin += 3; ++labels_ptr;
        }
    }

推荐阅读