Hakan Çelik· Hakan Çelik · OpenCV / Makine Öğrenmesi · 1 dk okuma
K-Ortalamalar Kümeleme'yi Anlamak
OpenCV Serisi 54/64
- 1. Boya Fırçası Olarak Fare
- 2. Canny Kenar Algılama
- 3. Görüntü Geçişleri
- 4. Görüntü Piramitleri
- 5. Görüntülerde Aritmetik İşlemler
- 6. Görüntülerle İlgili Temel İşlemler
- 7. Görüntünün Geometrik Dönüşümleri
- 8. Görüntüyü Yumuşatma - ( Smoothing Images )
- 9. Histogramlar
- 10. Konturler ( Contours )
- 11. Morfolojik Dönüşümler
- 12. Opencv Nedir Ve Kurulumu
- 13. Opencv Resim Işlemleri
- 14. Opencv Video Işlemleri
- 15. Opencv'de Çizim Fonksiyonları
- 16. Performans Ölçüm Ve Geliştirme Teknikleri
- 17. Renk Alanlarını Değiştirme
- 18. Renk Paleti Olarak Parça Çubuğu ( Trackbar )
- 19. Resim Eşikleme
- 20. Şablon Eşleştirme
- 21. Hough Doğru Dönüşümü
- 22. Hough Daire Dönüşümü
- 23. Fourier Dönüşümü
- 24. Histogram Eşitleme
- 25. 2B Histogramlar
- 26. Histogram Geri Projeksiyonu
- 27. Kontur Özellikleri
- 28. Kontur Nitelikleri
- 29. Konturlerle Daha Fazla İşlev
- 30. Kontur Hiyerarşisi
- 31. GrabCut ile Etkileşimli Ön Plan Çıkarma
- 32. Watershed Algoritması ile Görüntü Segmentasyonu
- 33. Özellikleri Anlamak
- 34. Harris Köşe Tespiti
- 35. Shi-Tomasi Köşe Dedektörü ve İzlenecek İyi Özellikler
- 36. SIFT'e Giriş (Ölçek Değişmez Özellik Dönüşümü)
- 37. SURF'e Giriş (Hızlandırılmış Sağlam Özellikler)
- 38. Köşe Tespiti için FAST Algoritması
- 39. BRIEF — İkili Sağlam Bağımsız Temel Özellikler
- 40. ORB (Yönlü FAST ve Döndürülmüş BRIEF)
- 41. Özellik Eşleştirme
- 42. Özellik Eşleştirme + Nesneleri Bulmak için Homografi
- 43. Meanshift ve Camshift ile Nesne Takibi
- 44. Optik Akış
- 45. Arka Plan Çıkarma
- 46. Kamera Kalibrasyonu
- 47. Poz Tahmini
- 48. Epipolar Geometri
- 49. Stereo Görüntülerden Derinlik Haritası
- 50. k-En Yakın Komşuyu Anlamak
- 51. kNN ile El Yazısı OCR
- 52. SVM'yi Anlamak
- 53. SVM ile El Yazısı OCR
- 54. K-Ortalamalar Kümeleme'yi Anlamak
- 55. OpenCV'de K-Ortalamalar Kümeleme
- 56. Görüntü Gürültü Giderme
- 57. Görüntü Onarımı (Inpainting)
- 58. Yüksek Dinamik Aralık (HDR) Görüntüleme
- 59. Haar Cascade ile Yüz Tespiti
- 60. pip ile OpenCV Kurulumu
- 61. Ubuntu'da OpenCV-Python Kurulumu
- 62. Fedora'da OpenCV-Python Kurulumu
- 63. Windows'ta OpenCV-Python Kurulumu
- 64. OpenCV-Python Bağlayıcıları Nasıl Çalışır?
K-Ortalamalar Kümeleme’yi Anlamak
Hedefler
Bu bölümde K-Ortalamalar Kümeleme kavramlarını anlayacağız.
Teori
Bir T-shirt şirketini düşünün. Tüm boyutlardaki insanları memnun etmek için farklı boyutlarda T-shirt üretmeleri gerekecek. Şirket insanların boyunu ve kilosunu bir grafiğe çiziyor:
Şirket tüm boyutlarda T-shirt üretemez. Bunun yerine insanları Küçük, Orta ve Büyük olarak üç gruba böler ve yalnızca bu 3 modeli üretir. Bu insanları üç gruba ayırma işlemi k-ortalamalar kümeleme ile yapılabilir. Algoritma bize en iyi 3 boyutu verir:
Algoritma Nasıl Çalışır?
Bu yinelemeli bir süreçtir:
Adım 1: Algoritma rastgele iki merkez C1 ve C2 seçer.
Adım 2: Her noktadan her iki merkeze olan mesafeyi hesaplar. Eğer bir test verisi C1’e daha yakınsa ‘0’ ile etiketlenir, C2’ye daha yakınsa ‘1’ ile.
Adım 3: Tüm mavi noktaların ve kırmızı noktaların ortalamasını ayrı ayrı hesaplarız ve bunlar yeni merkezlerimiz olur.
Adım 2 ve Adım 3, her iki merkez de sabit noktalara yakınsayana kadar (veya belirttiğimiz kritere göre) tekrarlanır. Bu noktalar, test verilerinden karşılıklı merkezlerine olan mesafelerin toplamının minimum olduğu noktalardır:
J = Σ mesafe(C1, Kırmızı_Nokta) + Σ mesafe(C2, Mavi_Nokta) → minimize et
