标签：src index gray int VS2017 kmeans 灰度 col row

本文环境：opencv4+VS2017+C++
搜了一些使用opencv实现kmeans算法的文章，没有一个是正常能用的。
其中不乏一些高阅读高收藏文章，比如
将3通道彩色图像转化为3维数据进行聚类，丢失了空间语义
信息，实质上变成了根据颜色聚类。导致明明不相连的部分，由于颜色一样，被分成了同一个label

同样是基于颜色的聚类，根本没考虑连通性，跟阈值分割没啥区别。这篇文章高达2W阅读数，却连头文件都加错了。

网上找的都不能用，于是在他们基础上改进一下
opencv中的kmeans其实是kmeans++算法，改进了kmeans受初始点影响较大的缺点，

#include <iostream>
#include <opencv2/opencv.hpp>

using namespace cv;
using namespace std;

int main()
{
	Mat src = imread("E:\\code\\image\\cam0101.png");
	Mat src_gray;
	cvtColor(src, src_gray, COLOR_BGR2GRAY);
	morphologyEx(src_gray, src_gray, MORPH_OPEN, getStructuringElement(MORPH_RECT, Size(15, 15)));
	morphologyEx(src_gray, src_gray, MORPH_CLOSE, getStructuringElement(MORPH_RECT, Size(15, 15)));
	int colorTab[] = {0,100,200,255};
	int width = src.cols;
	int height = src.rows;
	int sampleCount = width * height;
	int clusterCount = 4;
	Mat points(sampleCount, 3, CV_32FC1);
	Mat labels;
	TermCriteria criteria(TermCriteria::EPS + TermCriteria::COUNT, 100, 0.1);
	int index = 0;
	for (int row = 0; row < height; row++)
	{
		for (int col = 0; col < width; col++)
		{
			index = row * width + col;
			uchar gray = src_gray.at<uchar>(row, col);
			points.at<float>(index, 0) = static_cast<int>(gray);
			points.at<float>(index, 1) = static_cast<int>(row);
			points.at<float>(index, 2) = static_cast<int>(col);
		}
	}

	kmeans(points, clusterCount, labels, criteria, 100, 0);

	Mat result = Mat::zeros(src_gray.size(), src_gray.type());
	for (int row = 0; row < height; row++)
	{
		for (int col = 0; col < width; col++)
		{
			index = row * width + col;
			int label = labels.at<int>(index, 0);
			result.at<uchar>(row, col) = colorTab[label];
		}
	}
	waitKey(0);
	return 0;
}

分为三类。结果使用imagewatch查看即可。
输入：原灰度图

输出：文章1结果

输出：本文结果

这才是大家实际想要的结果。

标签：src,index,gray,int,VS2017,kmeans,灰度,col,row
来源： https://blog.csdn.net/bashana102/article/details/121438223

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。