K-Means 基于matlab+opencv 实现图像分割-灰度

使用的环境，python3.5，opencv2

函数的格式为：

# -*- coding: utf-8 -*-
# @Author  : matthew
# @Software: PyCharm

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

def seg_kmeans_gray():
img = cv2.imread('000129.jpg', cv2.IMREAD_GRAYSCALE)

# 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

# 聚类
compactness, labels, centers = cv2.kmeans(img_flat, 2, None, criteria, 10, flags)

# 显示结果
img_output = labels.reshape((img.shape[0], img.shape[1]))
plt.subplot(121), plt.imshow(img, 'gray'), plt.title('input')
plt.subplot(122), plt.imshow(img_output, 'gray'), plt.title('kmeans')
plt.show()

if __name__ == '__main__':
seg_kmeans_gray()

cv2.kmeans(data, K, bestLabels, criteria, attempts, flags)
'''
参数：
data: 分类数据，最好是np.float32的数据，每个特征放一列。
K: 分类数，opencv2的kmeans分类是需要已知分类数的。
bestLabels：预设的分类标签或者None
criteria：迭代停止的模式选择，这是一个含有三个元素的元组型数。格式为（type, max_iter, epsilon）
其中，type有如下模式：
—–cv2.TERM_CRITERIA_EPS :精确度（误差）满足epsilon停止。
—-cv2.TERM_CRITERIA_MAX_ITER：迭代次数超过max_iter停止。
—-cv2.TERM_CRITERIA_EPS+cv2.TERM_CRITERIA_MAX_ITER，两者合体，任意一个满足结束。
attempts：重复试验kmeans算法次数，将会返回最好的一次结果
flags：初始中心选择，有两种方法：
——v2.KMEANS_PP_CENTERS;
——cv2.KMEANS_RANDOM_CENTERS

返回值：
compactness：紧密度，返回每个点到相应重心的距离的平方和
labels：结果标记，每个成员被标记为0,1等
centers：由聚类的中心组成的数组
'''