バイナリ イメージ (黒と白のピクセル) があり、白のピクセルを互いの距離に応じてグループ (オブジェクト) にクラスター化し、各クラスターの重心を取得したいと考えています。
これは、私が取り組む必要がある画像の例です。
(紫色のフレーム)
クラスタリング アプローチが探している結果を提供するかどうかを確認したいと思います。つまり、価値があることを知る前に、自分でアルゴリズムを実装することを避けようとしています。
OpenCV には、必要なことを行う方法がありますか?
これはかなり古いことは知っていますが、この回答が役立つかもしれません。
要素セットを等価クラスに分割するpartitionを使用できます。
等価クラスを、指定されたユークリッド距離内のすべてのポイントとして定義できます。これは、ラムダ関数 (C++11) またはファンクター (コード内の両方の例を参照) のいずれかです。
この画像から始めて (紫色の境界線を手動で削除しました):
私が得た20のユークリッド距離を使用して:
ユークリッド距離内にあるすべての白いピクセルが同じクラスター (同じ色) に割り当てられていることがわかります。円は、各クラスターの重心を表します。
コード:
#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;
}
画像内のクラスター数がわかっている場合は、OpenCV に実装されているK-Means アルゴリズムを使用できます。
それに加えて、このタスクに対する他の簡単な解決策は知りません。このクラスタリングを自分で実装したい場合は、このペーパーが役立ちます。これは、固定数のクラスターを持たない k-means の適応に関するものです。