OpenCV K-means算法分割围棋19×19交点问题求助

问题背景 #

尝试用K-means算法对19×19围棋棋盘的交点进行聚类分割，但聚类中心杂乱分布，整体结果与预期偏差极大。

核心原因排查 #

• 特征逻辑与代码实现不一致
  函数注释提到要基于单位圆上的角度坐标做K-means，但实际代码直接使用了交点的原始二维坐标。即便改用原始坐标，围棋交点是网格状分布，直接做二维K-means很难捕捉到行列的离散聚类模式。

• 噪声点干扰与K值不匹配
  如果输入的pts集合中混入了大量非交点的噪声（比如线条检测错误生成的伪交点、棋盘边缘杂点），固定设置k=361会强制将所有样本分为361类，真实交点会被打散，噪声点也会占用聚类中心，导致中心分布混乱。

• 聚类参数设置不合理

  • 终止条件criteria的迭代次数（10次）太少、精度阈值（1.0）太宽松，算法可能未收敛就停止，中心位置无法对齐真实交点。
  • 使用cv.KMEANS_RANDOM_CENTERS随机初始化中心，对于网格状样本，极易陷入局部最优，无法收敛到规整的网格位置。

• 样本预处理缺失

  • 未对输入pts做噪声过滤，无效样本干扰聚类效果。
  • 未做坐标归一化：若图像宽高差异大，x、y坐标数值范围不同，K-means会偏向数值大的维度，导致聚类失衡。

优化建议 #

1. 拆分维度聚类：对x坐标和y坐标分别做一维K-means（各聚19类），再组合得到19×19的交点，比二维聚类更贴合棋盘网格特性。
2. 样本预处理：先通过阈值筛选、形态学操作过滤噪声点；将坐标归一化到[0,1]范围，消除维度数值差异影响。
3. 调整参数与初始化方式：
   • 改用cv.KMEANS_PP_CENTERS（K-means++）初始化中心，提升收敛稳定性；
   • 提高迭代次数至50-100次，降低精度阈值到0.1，确保算法收敛。
4. 验证输入样本：先可视化输入的pts，确认有效交点占比，避免噪声过多干扰聚类。

原始代码 #

def segment_intersections_kmeans(pts, k=19**2, **kwargs):
    """Groups intersections based on position with k-means.

    Uses k-means on the coordinates of the angle on the unit circle 
    to segment `k` angles inside `lines`.
    """

    criteria = (cv.TERM_CRITERIA_EPS + cv.TERM_CRITERIA_MAX_ITER, 10, 1.0)
    flags = kwargs.get('flags', cv.KMEANS_RANDOM_CENTERS)
    attempts = kwargs.get('attempts', 100)

    pts = np.float32(pts)

    # run kmeans on the coords
    labels, centers = cv.kmeans(pts, k, None, criteria, attempts, flags)[1:]
    print("Labels \n" , labels, "\n", len(labels))
   

    labels = labels.reshape(-1)  # transpose to row vec

    # segment lines based on their kmeans label
    segmented = defaultdict(list)
    for i, line in enumerate(pts):
        segmented[labels[i]].append(line)
    segmented = list(segmented.values())
    return segmented

结果可视化描述 #

• 原始棋盘：标准19×19围棋棋盘
• 聚类中心：绿色标记的中心无规则分布，未对齐棋盘交点
• 全聚类结果：各类别样本分散，未形成规整的网格分组

内容的提问来源于stack exchange，提问作者M Millo