K-means在图像阈值分割上的应用

2021-09-27 22:33:23 阅读：215 来源： 互联网

参考冈萨雷斯《数字图像处理》第四版，其中提到了K均值聚类算法可用于图像分割，所以我整理了网上一些资源做了如下测试实验。

代码部分实测输入灰度图像和彩色图像都适用

代码部分：

import cv2
import matplotlib.pyplot as plt
import numpy as np

def seg_kmeans_gray():
    #读取图片
    img = cv2.imread('E:/shale10053.bmp', cv2.IMREAD_GRAYSCALE)#这里我输入的是灰度图像，彩色图像同样适用

    # 展平
    img_flat = img.reshape((img.shape[0] * img.shape[1], 1))
    img_flat = np.float32(img_flat)

    # 迭代参数
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TermCriteria_MAX_ITER, 20, 0.5)
    flags = cv2.KMEANS_RANDOM_CENTERS

    # 进行聚类
    compactness, labels, centers = cv2.kmeans(img_flat, 2, None, criteria, 10, flags)#这里可以设定聚成几类               
    print(centers)
    a = (centers[0]+centers[1])/2 
    print(a)#a是两个聚类中心点的均值，这里我把它理解成为这张二值图像的阈值（不知道对不对）
    # 显示结果
    img_output = labels.reshape((img.shape[0], img.shape[1]))
    plt.figure(figsize=(5,5)),plt.subplot(), plt.imshow(img_output, 'gray'), plt.title('kmeans')
    plt.show()


if __name__ == '__main__':
    seg_kmeans_gray()

运行结果：

其中59.2372和77.23244分别是两个聚类中心，我的理解是算法分析灰度图像对应的二维矩阵中的灰度值，把256*256大小的灰度图像中的65536个灰度值进行聚类，然后分别得到了这两个聚类中心。我对这两个聚类中心求了平均作为整幅图的分割阈值（这样处理明显逻辑上不通，有办法的小伙伴欢迎指出）

原图像：

处理后的图像：

标签：plt,阈值,img,means,图像,cv2,灰度,聚类
来源： https://blog.csdn.net/Zhaohui_Zhang/article/details/120518780

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

K-means在图像阈值分割上的应用