机器学习之无监督学习：基于聚类的整图分割-优快云博客

本文链接：https://blog.youkuaiyun.com/Mr_BigG/article/details/113178941

前置准备

详情请见我的上一篇博客

基于聚类的图像分割

实现机理

图像分割：利用图像的灰度、颜色、纹理、形状等特征，把图像分为若干个互不重叠的区域，并使这些特征在同一区域内呈现相似性，在不同的区域内存在较明显的差异性。
常用方法：
1.阈值分割：对图像灰度值进行测量，设置不同种类的阈值，达到分割的目的。
2.边缘分割：对图像边缘进行检测，检测图像中灰度值发生跳变的地方，即为一片区域的边缘。
3.直方图法：对图像的颜色建立直方图，而直方图的波峰波谷能够表示一块区域的颜色值的范围，来达到聚类分析的目的。
4.特定理论：基于聚类分析、小波变换等理论完成图像分割。

效果图

原图
效果图

源代码

import numpy as np
import PIL.Image as image
from sklearn.cluster import KMeans

def loadData(filePath): #读取文件
    f = open(filePath, 'rb') #二进制方式打开图片文件
    data = []
    img = image.open(f)
    m,n = img.size
    for i in range(m):
        for j in range(n):
            x, y, z = img.getpixel((i, j))
            data.append([x/256.0, y/256.0, z/256.0])
    f.close()
    return np.mat(data), m, n

imgData,row,col = loadData('picture.jpg')
label = KMeans(n_clusters=4).fit_predict(imgData) #KMeans方法创建实例，聚类中心个数为4

label = label.reshape([row,col]) #获得数据标签
pic_new = image.new("L", (row, col))
for i in range(row):
    for j in range(col):
        pic_new.putpixel((i, j), int(256/(label[i][j] + 1)))
pic_new.save("result-picture-4.jpg", "JPEG") #输出结果