OpenCV中的K-Means聚类
作者|OpenCV-Python Tutorials
编译|Vincent
来源|OpenCV-Python Tutorials
### 目标
- 了解如何在OpenCV中使用cv.kmeans()函数进行数据聚类
### 理解参数
#### 输入参数
1. **sample**：它应该是**np.float32**数据类型，并且每个功能都应该放在单个列中。
2. **nclusters(K)**：结束条件所需的簇数
3. **criteria**：这是迭代终止条件。满足此条件后，算法迭代将停止。实际上，它应该是3个参数的元组。它们是`(type,max_iter,epsilon)`：
a. 终止条件的类型。它具有3个标志，如下所示：
- **cv.TERM_CRITERIA_EPS**-如果达到指定的精度epsilon，则停止算法迭代。
- **cv.TERM_CRITERIA_MAX_ITER**-在指定的迭代次数max_iter之后停止算法。
- **cv.TERM_CRITERIA_EPS + cv.TERM_CRITERIA_MAX_ITER**-当满足上述任何条件时，停止迭代。
b. max_iter-一个整数，指定最大迭代次数。
c. epsilon-要求的精度
1. attempts：该标志用于指定使用不同的初始标签执行算法的次数。该算法返回产生最佳紧密度的标签。该紧凑性作为输出返回。
2. flags：此标志用于指定初始中心的获取方式。通常，为此使用两个标志：**cv.KMEANS_PP_CENTERS**和**cv.KMEANS_RANDOM_CENTERS**。
**输出参数**
1. 紧凑度：它是每个点到其相应中心的平方距离的总和。
2. 标签：这是标签数组（与上一篇文章中的“代码”相同），其中每个元素标记为“0”，“ 1” .....
3. 中心：这是群集中心的阵列。
现在，我们将通过三个示例了解如何应用K-Means算法。
### 1. 单特征数据
考虑一下，你有一组仅具有一个特征（即一维）的数据。例如，我们可以解决我们的T恤问题，你只用身高来决定T恤的尺寸。因此，我们首先创建数据并将其绘制在Matplotlib中
```python
import numpy as np
import cv2 as cv
fro
5星 · 资源好评率100%