K-means聚类算法第8关：图像分割

任务描述

本关任务：编写一个程序对图像进行分割。

原图如下：

分割图像如下：

相关知识

为了完成本关任务，你需要掌握：

• 聚类与图像分割；

• 图像的基础操作；

• 如何使用 GaussianMixture。

聚类与图像分割

图像分割非常好理解，如上面的图所示，就是将图像划分成若干个不同的部分(分割结果可以看出将原图划分成了 3 个部分：道路、树林、天空)。

那么图像分割怎样和聚类扯上关系呢？很简单，我们知道一副彩色图像是由多个像素点组成的。若把每个像素点看成是一个样本的话，我们就可以通过聚类的方式给每个像素点打上簇标记（比如 0,1,2）。然后再根据簇标记将像素点设置成想要的颜色（比如簇标记为 0 的设置成黄色，簇标记为 1 的设置成绿色，簇标记为 2 的设置成蓝色），然后可视化出来就能得到图像分割的效果。

那么怎样将一副图像转换成我们通常想要的类似表格的数据呢？也很简单，一副彩色图像是由多个像素点组成的，而一个像素点一般是由 R，G，B 三个通道组成的。那么我们可以把每一个像素点看成是数据集中的一个样本，每个样本包含 3 个特征（ RGB 三个通道的值）。所以如果一副彩色图的高是 200，宽是 300。则该图可以看成是一个 60000 行，3 列的数据集。有了我们喜闻乐见的表格数据后，就可以将数据传递给聚类算法进行聚类了。

如果你对数字图像处理中的阈值化感兴趣，可以 点这里 学习怎样用另一种思来实现图像分割。

图像的基础操作

我们可以使用 PIL 来对图像进行操作。如果你想读取一幅图或者保存一副图，代码如下：

1. from PIL import Image
3. # 读取road.jpg到im变量中
4. im = Image.open('road.jpg')
6. # 将im保存为new_road.jpg
7. im.save('new_road.jpg')

值得注意的是，当使用 open 函数读取到图像后，我们不能直接将图像传给 sklearn 的聚类算法接口。因为此时的 im 不是 ndarray 或者 list ，而且 im 的形状不是喜闻乐见的表格的形状。所以需要进行转换，代码如下：

1. import numpy as np
3. # 将im转换成ndarray
4. img = np.array(im)
6. # 将img变形为[-1, 3]的shape，并保存至img_reshape
7. img_reshape = img.reshape(-1, 3)

当聚类算法给出结果后，我们需要根据聚类结果给图像上色，代码如下：

1. # pred为聚类算法的预测结果，将簇为0的点设置成红色，簇为1的点设置成蓝色
2. img[pred == 0, :] = [255, 0, 0]
3. img[pred == 1, :] = [0, 0, 255]

由于 img 为 ndarray，我们需要将其转成 Image 类型才能使用 save 函数实现保存图片的功能。转换代码如下：

1. im = Image.fromarray(img.astype('uint8'))

如何使用 GaussianMixture

GaussianMixture 是 sklearn 提供的高斯混合聚类的一个类，该类的构造函数中可以根据实际需要设置很多参数。但常用的参数是 n_components 和 max_iter。其中：

• n_components ：想要聚成几个簇，类型为 int；
• max_iter ：迭代次数，类型为 int。

使用 GaussianMixture 进行聚类很简单，fit-predict 大法就完事了。代码如下：

1. # 实例化一个将数据聚成2个簇的高斯混合聚类器
2. gmm = GaussianMixture(2)
4. # 将数据传给fit函数，fit函数会计算出各个高斯分布的参数和响应系数
5. gmm.fit(img_reshape)
7. # 对数据进行聚类，簇标记为0或1(因为gmm对象想要聚成2个簇)
8. pred = gmm.predict(img_reshape)
10. # 图省事可以这样，相当于调用了fit之后调用predict
11. pred = gmm.fit_predict(img_reshape)

编程要求

在右侧编辑器的 begin-end 之间补充代码，你所需要完成的功能是：

• 读取./step3/image/test.jpg；

• 将读取到的图像分割成 3 个部分。其中簇标记为 0 的部分用黄色表示；簇标记为 1 的部分用蓝色表示；簇标记为 2 的部分用绿色表示；

• 将分割后的图像保存至./step3/dump/result.jpg

测试说明

只需将分割后的图像保存到正确的位置即可，平台内部会计算你的结果与正确答案的差异程度，差异程度小于 10 视为过关。

预期输出：你的分割结果与正确答案的差异度小于 10!

---

开始你的任务吧，祝你成功！

from PIL import Image
import numpy as np
from sklearn.mixture import GaussianMixture

#******** Begin *********#
im = Image.open('./step3/image/test.jpg')
img = np.array(im)
img_reshape = img.reshape(-1,3)
gmm = GaussianMixture(n_components=3,covariance_type='full')
gmm.fit(img_reshape)
pred = gmm.predict(img_reshape)
img_reshape[pred==0,:] = [255,255,0]
img_reshape[pred==1,:] = [0,0,255]
img_reshape[pred==2,:] = [0,255,0]
im = Image.fromarray(img.astype('uint8'))
im.save('./step3/dump/result.jpg')
#********* End *********#