基于KMeans算法的图像分割例子

心️升明月

已于 2022-02-11 15:38:41 修改

阅读量6.7k

点赞数 10

CC 4.0 BY-SA版权

分类专栏：机器学习文章标签：聚类 kmeans 图像分割

于 2022-02-10 18:50:43 首次发布

本文链接：https://blog.youkuaiyun.com/weixin_43821559/article/details/122866689

机器学习专栏收录该内容

24 篇文章

订阅专栏

该博客介绍了一种使用KMeans算法进行图像分割的方法。首先，介绍了KMeans算法的基本理论和图像分割的概念。然后，通过一个具体的例子，详细展示了如何利用Python和scikit-learn库对彩色图像进行处理和KMeans聚类，包括读取图像、数据预处理、聚类操作以及结果可视化。实验中，对比了不同簇数量对分割效果的影响。最后，给出了完整的Python代码示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、理论基础

1、KMeans算法

请参考这里。

2、图像分割

图像分割(Image segmentation)技术是计算机视觉领域的一个重要的研究方向，是图像语义理解的重要一环。图像分割是指将图像分成若干具有相似性质的区域的过程，从数学角度来看，图像分割是将图像划分成互不相交的区域的过程。

二、实验过程

1、图片

本文以图1的彩色图(命名为“girl.jpg”)为例进行图像分割。
在这里插入图片描述

图1 girl.jpg

2、实验步骤

读取图像数据，并对数据进行处理
对图像数据矩阵进行KMeans聚类
输出图像，观察结果

3、Python代码

（1）导包

from sklearn.cluster import KMeans
from matplotlib.image import imread
import matplotlib.pyplot as plt

（2）读取图像数据

image = imread('girl.jpg')
image.shape

结果显示为：

(1200, 1200, 3)

（3）处理图像数据

对读取后的图像矩阵image进行处理，使之满足KMeans聚类所需的数据要求，即样本数×特征数。

X = image.reshape(-1,3)
X.shape

结果显示为：

(1440000, 3)

（4）KMeans聚类

为了比较簇个数对聚类结果的影响，本文分别设置了簇个数为10、8、6、4、2，比较最后分割后的结果。

segmented_imgs = []
n_colors = (10,8,6,4,2)
for n_cluster in n_colors:
    kmeans = KMeans(n_clusters=n_cluster,random_state=42).fit(X)
    segmented_img = kmeans.cluster_centers_[kmeans.labels_]
    segmented_imgs.append(segmented_img.reshape(image.shape))

（5）可视化展示

plt.figure(figsize=(12,8))
plt.subplot(231)
plt.imshow(image.astype('uint8'))
plt.title('Original image')

for idx,n_clusters in enumerate(n_colors):
    plt.subplot(232+idx)
    plt.imshow(segmented_imgs[idx].astype('uint8'))
    plt.title('{} colors'.format(n_clusters))

结果显示：
在这里插入图片描述

（6）完整代码

# 作者：心升明月
# 开发时间：2022/2/10 18:34
from sklearn.cluster import KMeans
from matplotlib.image import imread
import matplotlib.pyplot as plt

# 读取图像数据
image = imread('../data/girl.jpg')
# 处理图像数据
X = image.reshape(-1,3)

# KMeans聚类
segmented_imgs = []
n_colors = (10,8,6,4,2)
for n_cluster in n_colors:
    kmeans = KMeans(n_clusters=n_cluster,random_state=42).fit(X)
    segmented_img = kmeans.cluster_centers_[kmeans.labels_]
    segmented_imgs.append(segmented_img.reshape(image.shape))

# 可视化展示
plt.figure(1,figsize=(12,8))
plt.subplot(231)
plt.imshow(image.astype('uint8'))
plt.title('Original image')
for idx,n_clusters in enumerate(n_colors):
    plt.subplot(232+idx)
    plt.imshow(segmented_imgs[idx].astype('uint8'))
    plt.title('{} colors'.format(n_clusters))
# plt.savefig('result.png')
plt.show()

三、参考文献

[1] 唐宇迪. 跟着迪哥学Python数据分析与机器学习实战[M]. 北京: 人民邮电出版社, 2019: 346-352.
[2] 宁萌Julie. Python中”Clipping input data to the valid range for imshow with RGB data ”的问题解决[Z]. 优快云博客, 2021.