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