学习OpenCV——Kmean（C++）

从前也练习使用过OpenCV的Kmean算法，但是那版本低，而且也是基于C的开发。这两天由于造论文的需要把它重新翻出来在研究一下C++，发现有了些改进

kmeans

C++: doublekmeans(InputArraydata, int K, InputOutputArray bestLabels, TermCriteriacriteria, int attempts, int flags, OutputArraycenters=noArray() )

data：输入样本，要分类的对象，浮点型，每行一个样本（我要对颜色分类则每行一个像素）；

K：    类型数目；

bestLabels： 分类后的矩阵，每个样本对应一个类型label；

TermCriteria criteria：结束条件（最大迭代数和理想精度）

int attempts：根据最后一个参数确定选取的最理想初始聚类中心（选取attempt次初始中心，选择compactness最小的）；

int flags ：

Flag that can take the following values:

• KMEANS_RANDOM_CENTERS Select random initial centers in each attempt.
• KMEANS_PP_CENTERS Use kmeans++ center initialization by Arthur and Vassilvitskii [Arthur2007].
• KMEANS_USE_INITIAL_LABELS During the first (and possibly the only) attempt, use the user-supplied labels instead of computing them from the initial centers. For the second and further attempts, use the random or semi-random centers. Use one of KMEANS_*_CENTERS flag to specify the exact method.

centers：输出聚类中心，每行一个中心（第一列是聚类中心，但是还有其他列，这里不太明白，大家谁懂，求科普啊！~~）

compactness： 测试初始中心是否最优

上代码:

[cpp] view plain copy

print?

[cpp] view plain copy

print?

1. #include <string>
2. #include <iostream>
3. #include <math.h>
4. #include <vector>
5. #include <map>
6. #include "opencv/cv.h"
7. #include "opencv/highgui.h"
8. #include "opencv/cxcore.h"
9. #define ClusterNum (6)
10. using namespace cv;
11. using namespace std;
12. string filename="D:/demo1.jpg";
13. Mat clustering(Mat src)
14. {
15. int row = src.rows;
16. int col = src.cols;
17. unsigned long int size = row*col;
18. Mat clusters(size, 1, CV_32SC1);    //clustering Mat, save class label at every location;
19. //convert src Mat to sample srcPoint.
20. Mat srcPoint(size, 1, CV_32FC3);
21. Vec3f* srcPoint_p = (Vec3f*)srcPoint.data;//////////////////////////////////////////////
22. Vec3f* src_p = (Vec3f*)src.data;
23. unsigned long int i;
24. for(i = 0;i < size; i++)
25. {
26. *srcPoint_p = *src_p;
27. srcPoint_p++;
28. src_p++;
29. }
30. Mat center(ClusterNum,1,CV_32FC3);
31. double compactness;//compactness to measure the clustering center dist sum by different flag
32. compactness = kmeans(srcPoint, ClusterNum, clusters,
33. cvTermCriteria (CV_TERMCRIT_EPS + CV_TERMCRIT_ITER, 10, 0.1),ClusterNum,
34. KMEANS_PP_CENTERS , center);
35. cout<<"center row:"<<center.rows<<" col:"<<center.cols<<endl;
36. for (int y = 0; y < center.rows; y++)
37. {
38. Vec3f* imgData = center.ptr<Vec3f>(y);
39. for (int x = 0; x < center.cols; x++)
40. {
41. cout<<imgData[x].val[0]<<" "<<imgData[x].val[1]<<" "<<imgData[x].val[2]<<endl;
42. }
43. cout<<endl;
44. }
45. double minH,maxH;
46. minMaxLoc(clusters, &minH, &maxH);          //remember must use "&"
47. cout<<"H-channel min:"<<minH<<" max:"<<maxH<<endl;
48. int* clusters_p = (int*)clusters.data;
49. //show label mat
50. Mat label(src.size(), CV_32SC1);
51. int* label_p = (int*)label.data;
52. //assign the clusters to Mat label
53. for(i = 0;i < size; i++)
54. {
55. *label_p = *clusters_p;
56. label_p++;
57. clusters_p++;
58. }
59. Mat label_show;
60. label.convertTo(label_show,CV_8UC1);
61. normalize(label_show,label_show,255,0,CV_MINMAX);
62. imshow("label",label_show);
63. map<int,int> count;       //map<id,num>
64. map<int,Vec3f> avg;       //map<id,color>
65. //compute average color value of one label
66. for (int y = 0; y < row; y++)
67. {
68. const Vec3f* imgData = src.ptr<Vec3f>(y);
69. int* idx = label.ptr<int>(y);
70. for (int x = 0; x < col; x++)
71. {
72. avg[idx[x]] += imgData[x];
73. count[idx[x]] ++;
74. }
75. }
76. //output the average value (clustering center)
77. //计算所得的聚类中心与kmean函数中center的第一列一致，
78. //以后可以省去后面这些繁复的计算，直接利用center,
79. //但是仍然不理解center的除第一列以外的其他列所代表的意思
80. for (i = 0; i < ClusterNum; i++)
81. {
82. avg[i] /= count[i];
83. if (avg[i].val[0]>0&&avg[i].val[1]>0&&avg[i].val[2]>0)
84. {
85. cout<<i<<": "<<avg[i].val[0]<<" "<<avg[i].val[1]<<" "<<avg[i].val[2]<<" count:"<<count[i]<<endl;
86. }
87. }
88. //show the clustering img;
89. Mat showImg(src.size(),CV_32FC3);
90. for (int y = 0; y < row; y++)
91. {
92. Vec3f* imgData = showImg.ptr<Vec3f>(y);
93. int* idx = label.ptr<int>(y);
94. for (int x = 0; x < col; x++)
95. {
96. int id = idx[x];
97. imgData[x].val[0] = avg[id].val[0];
98. imgData[x].val[1] = avg[id].val[1];
99. imgData[x].val[2] = avg[id].val[2];
100. }
101. }
102. normalize(showImg,showImg,1,0,CV_MINMAX);
103. imshow("show",showImg);
104. waitKey();
105. return label;
106. }
107. int main()
108. {
109. Mat img=imread(filename,1);
110. GaussianBlur(img,img,Size(3,3),0);
111. img.convertTo(img,CV_32FC3);
112. Mat pixId=clustering(img);
113. }

from: http://blog.csdn.net/yangtrees/article/details/7971405