K-means在图像阈值分割上的应用
2021/9/27 23:14:50
本文主要是介绍K-means在图像阈值分割上的应用,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
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:
这篇关于K-means在图像阈值分割上的应用的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!
- 2024-07-02springboot项目无法注册到nacos-icode9专业技术文章分享
- 2024-06-26结对编程到底难不难?答案在这里
- 2024-06-19《2023版Java工程师》课程升级公告
- 2024-06-15matplotlib作图不显示3D图,怎么办?
- 2024-06-1503-Loki 日志监控
- 2024-06-1504-让LLM理解知识 -Prompt
- 2024-06-05做软件测试需要懂代码吗?
- 2024-06-0514-ShardingSphere的分布式主键实现
- 2024-06-03为什么以及如何要进行架构设计权衡?
- 2024-05-31全网首发第二弹!软考2024年5月《软件设计师》真题+解析+答案!(11-20题)