Python机器学习应用-基于聚类的图像分割实例编写_label = kmeans(n_clusters=4).fit_predict(imgdata)

> 课源：Python机器学习应用 BIT嵩天，本文作为个人课堂笔记。

图像分割

      利用图像的灰度、颜色、纹理、形状等特征，把图像分成若 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，在不同的区域之间存在明显的差异性。然后就可以将分割的图像中具有独特性质的区域 提取出来用于不同的研究。 
      图像分割技术已在实际生活中得至旷泛的应用。例如：在机车检验领域, 可以应用到轮毂裂纹图像的分割，及时发现裂纹，保证行车安全；在生物医学工程方面，对肝脏CT图像进行分割，为临床治疗和病理学研究提供帮助。

图像分割常用方法： 
1.  阈值分割：对图像灰度值进行度量，设置不同类别的阈值，达到分割的目的。 
2.  边缘分割：对图像边缘进行检测，即检测图像中灰度值发生跳变的地方，则为一片 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，来达到分割的目的。 
4.  特定理论：基于聚类分析、小波变换等理论完成图像分割。

目标：

      利用K-means聚类算法对图像像素点颜色进行聚类，实现简单的图像分割 。

      输出：同一聚类中的点使用相同颜色标记，不同聚类颜色不同。

实例数据 :

      本实例中的数据可以是任意大小的图片，为了使效果更佳直观, 可以采用区分度比较明显的图片。 

实验过程：（需要PIL模块）

1. 建立工程并导入sklearn包
2. 加载图片并进行预处理
3. 加载Kmeans聚类算法
4. 对像素点进行聚类并输出

注意：

1. 安装PIL 的库，不是写pip install pil；而应该写：pip install pillow；
2. 如果遇见"Traceback (most recent call last):XXXX"错误，这时应该以管理官身份运行命令行cmd。

实现步骤

1.建立工程并导入sklearn包

import numpy as np   
import PIL.Image as image  #加载PIL包
from sklearn.cluster import KMeans   #加载Kmeans算法

2.加载图片并进行预处理

ef loadData(filePath):
    f = open(filePath,'rb')  #二进制形式打开文件
    data = []
    img = image.open(f)  #列表形式返回像素值
    m,n = img.size  #获得图片大小
    for i in range(m):  #每个像素点RGB处理
        for j in range(n):  #RGB信息放入data
            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  #矩阵形式返回data和图片大小
 
imgData,row,col = loadData('kmeans/bull.jpg')  #加载数据

3.加载Kmeans聚类算法

km = KMeans(n_clusters=3)  #n_clusters表示聚类中心

4 .对像素点进行聚类并输出

#聚类获得每个像素的类别
label = KMeans(n_clusters=4).fit_predict(imgData)
label = label.reshape([row,col]) 
#穿件一张新的灰度图片并保存
pic_new = image.new("L", (row, col))
#根据所属类别给图片添加灰度值
for i in range(row):
    for j in range(col):
        pic_new.putpixel((i,j), int(256/(label[i][j]+1)))
#以JPEG格式保存图像
pic_new.save("result-bull-4.jpg", "JPEG")

#完整代码
 
import numpy as np
import PIL.Image as image
from sklearn.cluster import KMeans
 
def loadData(filePath):
    f = open(filePath,'rb')
    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('bull.jpg')
label = KMeans(n_clusters=4).fit_predict(imgData)
 
label = label.reshape([row,col])
 
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-bull-4.jpg", "JPEG")
 

实验结果

n_clusters=3

n_clusters=5

实验分析

      通过设置不同的k值，能够得到不同的聚类结果。同时，k值的不确定也 是Kmeans算法的一个缺点。往往为了达到好的实验结果，需要进行多次尝试才能够选取最优的k值。而像层次聚类的算法，就无需指定k值，只要给定限制条件，就能自动地得到类别数k。