输入矩阵OpenCV的k均值聚类(Input matrix to opencv kmeans clu

这个问题是特定于OpenCV的：OpenCV的文档中给出的k均值例如具有2信道矩阵 - 为对特征矢量的各维度一个通道。 但是，某些其他示例似乎说，它应该与连同一列用于每个样品列特征的一个信道矩阵。 哪一个是正确的？

如果我有一个5维特征向量，应该是什么，我使用的输入矩阵：这一个：

cv::Mat inputSamples(numSamples, 1, CV32FC(numFeatures))

或这一个：

cv::Mat inputSamples(numSamples, numFeatures, CV_32F)

Answer 1:

正确的答案是cv::Mat inputSamples(numSamples, numFeatures, CV_32F) 关于OpenCV的文档kmeans 说 ：

样本 - 输入样本的浮点矩阵，每采样1行

因此，这不是n维浮标作为另一种选择浮点矢量。 其实例提出这样的行为？

这里也是由我一个小例子，显示k均值如何使用。 它簇的图像的像素并显示结果：

#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp"

using namespace cv;

int main( int argc, char** argv )
{
  Mat src = imread( argv[1], 1 );
  Mat samples(src.rows * src.cols, 3, CV_32F);
  for( int y = 0; y < src.rows; y++ )
    for( int x = 0; x < src.cols; x++ )
      for( int z = 0; z < 3; z++)
        samples.at<float>(y + x*src.rows, z) = src.at<Vec3b>(y,x)[z];


  int clusterCount = 15;
  Mat labels;
  int attempts = 5;
  Mat centers;
  kmeans(samples, clusterCount, labels, TermCriteria(CV_TERMCRIT_ITER|CV_TERMCRIT_EPS, 10000, 0.0001), attempts, KMEANS_PP_CENTERS, centers );


  Mat new_image( src.size(), src.type() );
  for( int y = 0; y < src.rows; y++ )
    for( int x = 0; x < src.cols; x++ )
    { 
      int cluster_idx = labels.at<int>(y + x*src.rows,0);
      new_image.at<Vec3b>(y,x)[0] = centers.at<float>(cluster_idx, 0);
      new_image.at<Vec3b>(y,x)[1] = centers.at<float>(cluster_idx, 1);
      new_image.at<Vec3b>(y,x)[2] = centers.at<float>(cluster_idx, 2);
    }
  imshow( "clustered image", new_image );
  waitKey( 0 );
}

Answer 2:

作为替代手动重塑输入矩阵，可以使用的OpenCV 重塑函数来实现类似的结果用更少的代码。 这里是减少颜色的我的工作实现数与K-means方法（在Java中）：

private final static int MAX_ITER = 10;
private final static int CLUSTERS = 16;

public static Mat colorMapKMeans(Mat img, int K, int maxIterations) {

    Mat m = img.reshape(1, img.rows() * img.cols());
    m.convertTo(m, CvType.CV_32F);

    Mat bestLabels = new Mat(m.rows(), 1, CvType.CV_8U);
    Mat centroids = new Mat(K, 1, CvType.CV_32F);
    Core.kmeans(m, K, bestLabels, 
                new TermCriteria(TermCriteria.COUNT | TermCriteria.EPS, maxIterations, 1E-5),
                1, Core.KMEANS_RANDOM_CENTERS, centroids);
    List<Integer> idx = new ArrayList<>(m.rows());
    Converters.Mat_to_vector_int(bestLabels, idx);

    Mat imgMapped = new Mat(m.size(), m.type());
    for(int i = 0; i < idx.size(); i++) {
        Mat row = imgMapped.row(i);
        centroids.row(idx.get(i)).copyTo(row);
    }

    return imgMapped.reshape(3, img.rows());
}

public static void main(String[] args) {
    System.loadLibrary(Core.NATIVE_LIBRARY_NAME);
    Highgui.imwrite("result.png", 
        colorMapKMeans(Highgui.imread(args[0], Highgui.CV_LOAD_IMAGE_COLOR),
            CLUSTERS, MAX_ITER));
}

OpenCV的读取图像到二维，3信道矩阵。 第一次调用reshape - img.reshape(1, img.rows() * img.cols()); - 基本上解开3个通道成列。 在所得的矩阵的一行对应于输入图像的一个像素，和3列对应于RGB分量。

之后K-means算法完成其工作，并且颜色映射得到了应用，我们称之为reshape再次- imgMapped.reshape(3, img.rows())但现在滚动体列回通道，减少行数原始图像行数，从而取回原始矩阵格式，但只具有降低的色。

文章来源: Input matrix to opencv kmeans clustering