用OpenCV的K-Means聚类对书法作品进行单字分割

对书法作品的单字进行分割，是为书法字典APP提供字模的智能化方法。较传统的方法是运用直方图进行分割。在OpenCV中有轮廓查找（findContours）和聚类（kmeans）两个处理函数。理论上选对书法作品进行轮廓查找，再将距离相近的轮廓运进行聚类，每个类就是一个汉字。

在OpenCV中K-Means函数的使用方法

关于K-Means函数的介绍可以观看：理解K-Means聚类

函数原型：

retval, bestLabels, centers = kmeans(data, K, bestLabels, criteria, attempts, flags, centers=None)

函数参数：

data:  需要分类数据，最好是np.float32的数据，每个特征放一列。

K:  聚类个数

bestLabels：预设的分类标签或者None

criteria：迭代停止的模式选择，这是一个含有三个元素的元组型数。格式为（type, max_iter, epsilon） 其中，type有如下模式：

• cv2.TERM_CRITERIA_EPS ：精确度（误差）满足epsilon，则停止。
• cv2.TERM_CRITERIA_MAX_ITER：迭代次数超过max_iter，则停止。
• cv2.TERM_CRITERIA_EPS+cv2.TERM_CRITERIA_MAX_ITER：两者结合，满足任意一个结束。

attempts：重复试验kmeans算法次数，将会返回最好的一次结果

flags：初始中心选择，可选以下两种：

• v2.KMEANS_PP_CENTERS：使用kmeans++算法的中心初始化算法，即初始中心的选择使眼色相差最大.详细可查阅kmeans++算法。(Use kmeans++ center initialization by Arthur and Vassilvitskii)
• cv2.KMEANS_RANDOM_CENTERS：每次随机选择初始中心（Select random initial centers in each attempt.）

返回值：

compactness：紧密度，返回每个点到相应重心的距离的平方和

labels：结果标记，每个成员被标记为分组的序号，如 0,1,2,3,4...等

centers：由聚类的中心组成的数组

程序运行过程

1. 确定要分割的汉字数量，即聚类个数
2. 轮廓查找生成数据
3. 定义停止条件
4. K-Means分类
5. 每个聚类的轮廓到一个列表中
6. 聚类描边

程序代码

import numpy as np
import cv2 as cv

img = cv.imread('jk.jpg')

# 要分的聚类数
sampleCount = 50
# 要分割的字符数
charCount = 50

# 转换为灰度图
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# 二值化
ret, thresh = cv.threshold(gray, 127, 255, 0)

# 反色，查找轮廓的要求是黑底白字
cv.bitwise_not(thresh, thresh)

# 发现轮廓
contours, hierarchy = cv.findContours(thresh, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)

# 计算所有轮廓的面积和
pointCount = 0
for cnt in contours:
    pointCount += cv.contourArea(cnt)
# 最小面积，小于这个面积的轮廓将被删除
minPointSize = pointCount / charCount / 50

# 删除较小的轮廓
ucontours = []
for cnt in contours:
    if cv.contourArea(cnt) > minPointSize:
        ucontours.append(cnt)

cc = len(ucontours)
# 由每个轮廓的中心点生成二维数据
points = np.zeros((cc, 2), dtype=np.int)
p = 0
for cnt in ucontours:
    # 获取轮廓坐标和宽高
    x, y, w, h = cv.boundingRect(cnt)
    points[p][0] = x + w / 2
    points[p][1] = y + h / 2
    p += 1

# 转化为float数据
Z = np.float32(points)

# 定义
criteria = (cv.TERM_CRITERIA_MAX_ITER, 10, 1.0)
ret, labels, centers = cv.kmeans(Z, sampleCount, None, criteria, 10000, cv.KMEANS_PP_CENTERS)

print(ret)

# 将每个聚类的轮廓添加到同个列表中
cntlist = []
for i in range(sampleCount):
    cntlist.append([])
p = 0
for lb in labels:
    cntlist[lb[0]].append(ucontours[p])
    p += 1

rc = 255
bc = 0
# 轮廓描边
for i in range(sampleCount):
    cv.drawContours(img, cntlist[i], -1, (rc, bc, 0), 3)
    rc -= 5
    bc += 5

cv.imwrite('jkkm.png', img)

#cv.imshow('candy', img)
#cv.waitKey()

效果分析

从上图中可以看到，大多数字都准确的分割出来了，也有几处错误。如果能结合对图片进行膨胀，手动确定聚类中心，也许会更好些。