2

我有一个二值图像（黑白像素），我想根据彼此的距离将白色像素聚类成组（对象），并检索每个聚类的质心。

这是我必须处理的示例图像：

图片

（紫色框）

我想检查聚类方法是否会提供我正在寻找的结果，这意味着我试图避免自己实施算法，然后才知道它是否值得。
OpenCV 有办法做我需要的吗？

4

2 回答 2

2

我知道这已经很老了，但也许这个答案可能会有所帮助。

您可以使用partition，它将元素集拆分为等效类。

您可以将等价类定义为给定欧几里得距离内的所有点。这可以是 lambda 函数 (C++11) 或仿函数（参见代码中的两个示例）。

从这张图片开始（我手动删除了紫色边框）：

在此处输入图像描述

使用 20 的欧几里得距离我得到：

在此处输入图像描述

您可以看到欧几里得距离内的所有白色像素都分配给了同一个簇（相同的颜色）。圆圈表示每个集群的质心。

代码：

#include <opencv2\opencv.hpp>
#include <vector>
#include <algorithm>

using namespace std;
using namespace cv;

struct EuclideanDistanceFunctor
{
    int _dist2;
    EuclideanDistanceFunctor(int dist) : _dist2(dist*dist) {}

    bool operator()(const Point& lhs, const Point& rhs) const
    {
        return ((lhs.x - rhs.x)*(lhs.x - rhs.x) + (lhs.y - rhs.y)*(lhs.y - rhs.y)) < _dist2;
    }
};

int main()
{
    // Load the image (grayscale)
    Mat1b img = imread("path_to_image", IMREAD_GRAYSCALE);

    // Get all non black points
    vector<Point> pts;
    findNonZero(img, pts);

    // Define the distance between clusters
    int euclidean_distance = 20;

    // Apply partition 
    // All pixels within the the given distance will belong to the same cluster

    vector<int> labels;

    // With functor
    //int n_labels = partition(pts, labels, EuclideanDistanceFunctor(euclidean_distance));

    // With lambda function
    int th2 = euclidean_distance * euclidean_distance;
    int n_labels = partition(pts, labels, [th2](const Point& lhs, const Point& rhs) {
        return ((lhs.x - rhs.x)*(lhs.x - rhs.x) + (lhs.y - rhs.y)*(lhs.y - rhs.y)) < th2;
    });


    // Store all points in same cluster, and compute centroids
    vector<vector<Point>> clusters(n_labels);
    vector<Point> centroids(n_labels, Point(0,0));

    for (int i = 0; i < pts.size(); ++i)
    {
        clusters[labels[i]].push_back(pts[i]);
        centroids[labels[i]] += pts[i];
    }
    for (int i = 0; i < n_labels; ++i)
    {
        centroids[i].x /= clusters[i].size();
        centroids[i].y /= clusters[i].size();
    }

    // Draw results

    // Build a vector of random color, one for each class (label)
    vector<Vec3b> colors;
    for (int i = 0; i < n_labels; ++i)
    {
        colors.push_back(Vec3b(rand() & 255, rand() & 255, rand() & 255));
    }

    // Draw the points
    Mat3b res(img.rows, img.cols, Vec3b(0, 0, 0));
    for (int i = 0; i < pts.size(); ++i)
    {
        res(pts[i]) = colors[labels[i]];
    }

    // Draw centroids
    for (int i = 0; i < n_labels; ++i)
    {
        circle(res, centroids[i], 3, Scalar(colors[i][0], colors[i][1], colors[i][2]), CV_FILLED);
        circle(res, centroids[i], 6, Scalar(255 - colors[i][0], 255 - colors[i][1], 255 - colors[i][2]));
    }


    imshow("Clusters", res);
    waitKey();

    return 0;
}
于 2015-11-21T12:42:13.420 回答
0

如果您知道图像中的簇数，则可以使用OpenCV 中实现的K-Means 算法。

除此之外，我不知道任何其他简单的解决方案来完成这项任务。如果你想自己实现这个聚类，这篇论文可以帮助你，它是关于 k-means 的改编，它不能有固定数量的集群。

于 2013-10-01T13:06:21.297 回答