2019-07-31【机器学习】无监督学习之聚类 K-Means算法实例（图像分割）

最新推荐文章于 2024-10-03 11:25:43 发布

转载最新推荐文章于 2024-10-03 11:25:43 发布 · 336 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/ymzm204/p/11279016.html

文章标签：

#人工智能 #数据结构与算法 #python

本文介绍了一种使用KMeans算法进行图像聚类分割的方法。通过将图像的每个像素点视为样本，将其RGB颜色转换为0-1范围内的数值，然后应用KMeans算法进行聚类。最后，根据聚类结果生成新的灰度图像，直观展示不同聚类的效果。

样本：

代码：

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

def loadData(filePath):
    f = open(filePath, 'rb') #二进制形式打开文件
    data = []
    img = image.open(f)
    m, n = img.size #获取图片的大小
    for i in range(m): #将每个像素点RGB颜色处理到0-1
        for j in range(n):
            x, y, z = img.getpixel((i, j)) #黑色为0，0，0 有颜色就好像是其他数字
            #print(x, y, z)
            data.append([x/256.0, y/256.0, z/256.0]) #二维列表[0.0, 0.0, 0.0]
    f.close()
    #print(data)
    return np.mat(data), m, n #以矩阵形式返回data，以及图片大小

imgData, row, col = loadData('D:/python_source/Machine_study/mooc课程数据/课程数据/基于聚类的整图分割/bull.jpg')
#print(imgData, row, col)
label = KMeans(n_clusters=4).fit_predict(imgData)
#聚类获得每个像素所属的类别
label = label.reshape([row, col]) #二维列表
#print(label)
pic_new = image.new("L", (row, col)) #创建一张新的灰度图保存聚类后的效果
for i in range(row): #i，j为图片像素，例如 640*480.   根据所属类别向图片中添加灰度值
    for j in range(col):
        pic_new.putpixel((i, j), int(256/(label[i][j]+1)))
pic_new.save("result-bull-4.jpg", "JPEG")