一、概述
今天开始，将Pyimagesearch上学习的计算机视觉相关知识整理到博客上。先从一篇简单的开始，使用Python, OpenCV以及sklearn实现颜色聚类，从而找出给定图像中占比最大的颜色。
二、KMeans聚类算法
2.1 算法简介
KMeans算法是一种常用的聚类算法。其目标是将 n 数据点(data point) 划分成k个簇。每一个数据点根据其与各个聚类中心（mean of each cluster）的距离被划分到不同的簇中。同一个簇中的数据点，相比其他簇中的，被认为更加“相似”。
KMeans算法的一个问题在于需要用户事先指定聚类中心的个数。也有一些聚类算法可以自动选择最佳的聚类中心数K（如XMeans），不过不在本post的讨论范围之内。
本任务的思路：给定M×N个像素点，每个像素点有RGB三个特征，将每个像素点视为一个数据点，进行聚类。
2.2 sklearn相关组件
-
fit: 将KMeans apply到给定数据点的集合：
clt = KMeans(n_clusters=N_CLUSTERS)
clt.fit(data)
clt.labels_： 返回每个数据点的标签
即每个数据点经过聚类之后，被划分在哪一个cluster中。标号0,1,2,3等等clt.cluster_centers_：每个聚类中心的平均度量值
这里的度量值可以理解为，聚类时用于计算的feature，比如这里的RGB三个值。
每个聚类中心的RGB三个值的平均被视为该聚类的中心。
三、实现
实现非常简单，代码如下：
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
import cv2
def main(img_file, n_clusters):
img = cv2.imread(img_file)
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
plt.subplot(121)
plt.imshow(img)
plt.axis('off')
data = img.reshape(img.shape[0]*img.shape[1], 3)
clt = KMeans(n_clusters=n_clusters)
clt.fit(data)
hist = centroid_histogram(clt)
bar = plot_colors(hist, clt.cluster_centers_)
plt.subplot(122)
plt.imshow(bar)
plt.axis('off')
其中centroid_histogram和plot_colors是两个辅助函数。定义如下：
import numpy as np
def centroid_histogram(clt):
''' 生成一个直方图，可视化每个聚类中心的data point数(所占的比例) '''
numLabels = np.arange(len(np.unique(clt.labels_)) + 1) #clt.labels_返回所有样本点的聚类标签（即被分在哪一个cluster中）
hist, _ = np.histogram(clt.labels_, numLabels)
# 将直方图归一化，从而使其和为一
hist = hist.astype('float')
hist /= hist.sum()
return hist
def plot_colors(hist, centroids):
bar = np.zeros((50, 300, 3), dtype="uint8")
startX = 0
for (percentage, color) in zip(hist, centroids):
endX = startX + percentage * 300
cv2.rectangle(bar, (int(startX), 0), (int(endX), 50), color.astype(np.uint8).tolist(), 50)
startX = endX
return bar
效果：
Fig. 1 Color Clustering示例1
Fig. 2 Color Clustering示例2
四、讨论
- TODO: 将图像中的特定颜色分割出来(参考Color-Detection)
- 扩展：使用KMeans实现色彩量化（Color Quantization）
- Color Transfer [1, 2]
-
X-means
Fig. 3 X-Means utilizes Bayesian Information Criterion(BIC)
Fig. 4 Color-based images search engine
