本章我们用kmeans算法实现一个简单图像的分割。如下面的图像，我们知道图像分3个簇，背景、白色的任务，红色的丝带以及帽子。
Mat img = cv::imread("../kmeans.jpg");
namedWindow("image");
imshow("image", img);
首先我们会生成采样点，采样点包括原始图像中的所有像素点，采样点用32位浮点数表示，接着我们会定义一个标记矩阵labels，用来存放kmeans的结果。该矩阵中存放的是索引的采样点属于那一个簇，在本例子中，值应该是0，1或2，因为有3个簇。
//生成一维采样点,包括所有图像像素点,注意采样点格式为32bit浮点数。
Mat samples(img.cols*img.rows, 1, CV_32FC3);
//标记矩阵，32位整形
Mat labels(img.cols*img.rows, 1, CV_32SC1);
uchar* p;
int i, j, k=0;
for(i=0; i < img.rows; i++)
{
p = img.ptr<uchar>(i);
for(j=0; j< img.cols; j++)
{
samples.at<Vec3f>(k,0)[0] = float(p[j*3]);
samples.at<Vec3f>(k,0)[1] = float(p[j*3+1]);
samples.at<Vec3f>(k,0)[2] = float(p[j*3+2]);
k++;
}
}
int clusterCount = 3;
Mat centers(clusterCount, 1, samples.type());
kmeans(samples, clusterCount, labels,
TermCriteria( CV_TERMCRIT_EPS+CV_TERMCRIT_ITER, 10, 1.0),
3, KMEANS_PP_CENTERS, centers);
最后我们把不同的簇用不同灰度来表示，并把结果放在img1中。
//我们已知有3个聚类，用不同的灰度层表示。
Mat img1(img.rows, img.cols, CV_8UC1);
float step=255/(clusterCount - 1);
k=0;
for(i=0; i < img1.rows; i++)
{
p = img1.ptr<uchar>(i);
for(j=0; j< img1.cols; j++)
{
int tt = labels.at<int>(k, 0);
k++;
p[j] = 255 - tt*step;
}
}
namedWindow("image1");
imshow("image1", img1);
程序运行后的效果：
程序代码：工程FirstOpenCV17
