K值聚类（二）

下面这段代码是 OpenCV-Python-Tutorial-中文版.pdf （P286）中的实现，

当前系列所有demo下载地址：

https://github.com/GaoRenBao/OpenCv4-Demo

https://gitee.com/fuckgrb/OpenCv4-Demo

不同编程语言对应的OpenCv版本以及开发环境信息如下： 

        颜色量化就是减少图片中颜色数目的一个过程。为什么要减少图片中的颜色呢?减少内存消耗!有些设备的资源有限，只能显示很少的颜色。在这种情况下就需要进行颜色量化。我们使用 K 值聚类的方法来进行颜色量化。没有什么新的知识需要介绍了。现在有 3 个特征:R，G，B。所以我们需要把图片数据变形成 Mx3(M 是图片中像素点的数目)的向量。聚类完成后我们用聚类中心值替换与其同组的像素值，这样结果图片就只含有指定数目的颜色了。

测试原图：

C#版本代码如下：

参考代码：https://github.com/VahidN/OpenCVSharp-Samples/tree/master/OpenCVSharpSample11

效果如下：

源码如下：

using OpenCvSharp;

namespace demo
{
    internal class Program
    {
        static void Main(string[] args)
        {
            var src = new Mat(@"../../../images/fruits.jpg", ImreadModes.AnyDepth | ImreadModes.AnyColor);
            Cv2.ImShow("Source", src);
            Cv2.WaitKey(1); // do events

            Cv2.Blur(src, src, new Size(15, 15));
            Cv2.ImShow("Blurred Image", src);
            Cv2.WaitKey(1); // do events

            // Converts the MxNx3 image into a Kx3 matrix where K=MxN and
            // each row is now a vector in the 3-D space of RGB.
            // change to a Mx3 column vector (M is number of pixels in image)
            var columnVector = src.Reshape(cn: 3, rows: src.Rows * src.Cols);

            // convert to floating point, it is a requirement of the k-means method of OpenCV.
            var samples = new Mat();
            columnVector.ConvertTo(samples, MatType.CV_32FC3);

            TermCriteria criteria = new TermCriteria(type: CriteriaTypes.Eps | CriteriaTypes.MaxIter, maxCount: 10, epsilon: 1.0);
            int K = 2; // 2、4、6、8

            var bestLabels = new Mat();
            var centers = new Mat();
            Cv2.Kmeans(
                data: samples,
                k: K,
                bestLabels: bestLabels,
                criteria: criteria,
                attempts: 3,
                flags: KMeansFlags.PpCenters,
                centers: centers);

            var clusteredImage = new Mat(src.Rows, src.Cols, src.Type());
            for (var size = 0; size < src.Cols * src.Rows; size++)
            {
                var clusterIndex = bestLabels.At<int>(0, size);
                var newPixel = new Vec3b
                {
                    Item0 = (byte)(centers.At<float>(clusterIndex, 0)), // B
                    Item1 = (byte)(centers.At<float>(clusterIndex, 1)), // G
                    Item2 = (byte)(centers.At<float>(clusterIndex, 2)) // R
                };
                clusteredImage.Set(size / src.Cols, size % src.Cols, newPixel);
            }

            Cv2.ImShow(string.Format("Clustered Image [k:{0}]", K), clusteredImage);
            Cv2.ImWrite("out.jpg", clusteredImage);
            Cv2.WaitKey();
            Cv2.DestroyAllWindows();
        }
    }
}

C++版本代码如下：

参考博客：https://blog.csdn.net/qq_40622955/article/details/122853991

#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/ml/ml.hpp>

using namespace cv;
using namespace std;

int main()
{
    Mat src = cv::imread("../images/fruits.jpg");
    cv::imshow("Source", src);
    cv::waitKey(1); // do events

    cv::blur(src, src, Size(15, 15));
    cv::imshow("Blurred Image", src);
    cv::waitKey(1); // do events

    // Converts the MxNx3 image into a Kx3 matrix where K=MxN and
    // each row is now a vector in the 3-D space of RGB.
    // change to a Mx3 column vector (M is number of pixels in image)
    Mat columnVector = src.reshape(3, src.rows * src.cols);

    // convert to floating point, it is a requirement of the k-means method of OpenCV.
    Mat samples;
    columnVector.convertTo(samples, CV_32FC3);

    TermCriteria criteria = TermCriteria(TermCriteria::EPS | TermCriteria::MAX_ITER, 10, 1.0);
    int K = 2; // 2、4、6、8

    Mat bestLabels;
    Mat centers;
    cv::kmeans(samples, K, bestLabels, criteria, 3, KmeansFlags::KMEANS_PP_CENTERS, centers);

    //create a color map
    std::vector<cv::Scalar> colorMaps;
    uchar b, g, r;;
    //clusterCount is equal to centers.rows
    for (int i = 0; i < centers.rows; i++)
    {
        b = (uchar)centers.at<float>(i, 0);
        g = (uchar)centers.at<float>(i, 1);
        r = (uchar)centers.at<float>(i, 2);
        colorMaps.push_back(cv::Scalar(b, g, r));
    }
    // Show  result
    int index = 0;
    Mat clusteredImage(src.rows, src.cols, src.type());
    uchar* ptr = NULL;
    int* label = NULL;
    for (int row = 0; row < src.rows; row++) {
        ptr = clusteredImage.ptr<uchar>(row);
        for (int col = 0; col < src.cols; col++) {
            index = row * src.cols + col;
            label = bestLabels.ptr<int>(index);
            *(ptr + col * 3) = colorMaps[*label][0];
            *(ptr + col * 3 + 1) = colorMaps[*label][1];
            *(ptr + col * 3 + 2) = colorMaps[*label][2];
        }
    }

    cv::imshow("Clustered Image", clusteredImage);
    cv::waitKey();
    cv::destroyAllWindows();
}

Python版本代码如下：

demo1：颜色量化

源码如下：

import numpy as np
import cv2

img = cv2.imread('../images/fruits.jpg')
# img = cv2.imread('../data/opencv_logo.png')
Z = img.reshape((-1, 3))
# convert to np.float32
Z = np.float32(Z)


# define criteria, number of clusters(K) and apply kmeans()
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
# K = 8
# K = 3
K = 14
ret, label, center = cv2.kmeans(Z, K, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)


# Now convert back into uint8, and make original image
center = np.uint8(center)
res = center[label.flatten()]
res2 = res.reshape((img.shape))

cv2.imshow('res2', res2)
cv2.waitKey(0)
cv2.destroyAllWindows()

demo2：颜色量化，分离

import numpy as np
import cv2

img = cv2.imread('../images/fruits.jpg')
# img = cv2.imread('../data/opencv_logo.png')
Z = img.reshape((-1, 3))
# convert to np.float32
Z = np.float32(Z)

# define criteria, number of clusters(K) and apply kmeans()
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
K = 8
# K = 3
# K = 14
ret, label, center = cv2.kmeans(Z, K, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)

# 分离颜色
for y in range(len(center)):
    a1 = []
    for i, x in enumerate(label.ravel()):
        if x == y:
            a1.append(list(Z[i]))
        else:
            a1.append([0, 0, 0])
    a2 = np.array(a1)
    a3 = a2.reshape((img.shape))
    cv2.imshow('res2' + str(y), a3)

# 最大的色块
# # Now convert back into uint8, and make original image
# center = np.uint8(center)
# res = center[label.flatten()]
# res2 = res.reshape((img.shape))

# cv2.imshow('res2', res2)
# cv2.imshow('res2', a3)
cv2.waitKey(0)
cv2.destroyAllWindows()