Python 人工智能实战| 基于K-means算法的模式聚类进行数字图像处理

一、实验目的

1、理解K-means算法的基本原理和图像颜色聚类的关键要素；
2、学习使用Python编程语言和机器学习开发工具包（scikit-learn）构建K-means模型；
3、编程实现基于K-means的图像颜色聚类程序，并分析实验结果。
二、概要设计

1.Kmeans——一种无监督机器学习的聚类算法

基本原理：在不给出数据类别标签而直接给出样本数据情况下，该算法首先需要确定结果：要把样本聚成k类。这个聚类的过程为：

1. 首先在样本特征空间随机初始化（选择）k个样本点，作为初始化聚类的中心点
2. 计算各个样本距离哪个中心点（也就是那个类）最近，于是将其划分为这个类
3. 对各个类别的所有样本在特征空间中求和取平均计算其新的中心点，更新k个聚类的中心点
4. 重复执行b,c步骤直到k个类别的中心点在样本特征空间中不再改变或改变不大（此时说明对样本的聚类已经效果比较好了）
   

2.本次实验需要完成的聚类任务介绍：用K-means算法实现图像颜色聚类

我们需要聚类的对象为：图像这个网格集合中的像素的rgb像素值。我们需要对这个图像中的像素值进行k聚类。

3.用K-means算法实现图像颜色聚类的算法流程

• 首先获得图像数据（像素点）
  

• 构建k-means模型（确定要聚几个类）

• 输入数据进行模型训练

• 得到聚类结果和类别中心点

• 根据聚类结果和类别中心点映射到原图像，对对原图像数据进行聚类处理

三、详细设计（实现代码）

1.首先获得图像数据：加载图像并且将图像转换为二维数组：

import numpy as np
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
from PIL import Image

# 加载图像
img = Image.open('flower.jpg')
img_data = np.array(img)

# 将图像转换为二维数组
rows, cols, bands = img_data.shape#bands是颜色的通道数
X = img_data.reshape(rows * cols, bands)

2.构建k-means模型（确定分为多少类，这里设置为16类）

# 使用 K-means 算法将颜色值分为 16 个簇
kmeans = KMeans(n_clusters=16, random_state=0)

3.输入数据进行模型训练

kmeans = kmeans.fit(X)

4. 得到聚类结果和类别中心点

# 获取聚类结果和簇中心点
labels = kmeans.labels_
centers = kmeans.cluster_centers_
colors = np.zeros_like(centers)
print(colors)

5. 根据聚类结果和类别中心点映射到原图像，对对原图像数据进行聚类处理

# 将聚类结果重新映射到图像像素值
X_recovered = np.zeros_like(X)
for i in range(6):
    X_recovered[labels == i] = centers[i]#colors[i]
    print(centers[i])
img_recovered = X_recovered.reshape(rows, cols, bands)

# 绘制原图和聚类后的图像
fig, ax = plt.subplots(1, 2, figsize=(10, 5))
ax[0].imshow(img)
ax[0].set_title('Original Image')
ax[0].axis('off')
ax[1].imshow(img_recovered.astype(np.uint8))
ax[1].set_title('6-color Image')
ax[1].axis('off')
plt.show()

四、实验结果

分析：

• 首先根据控制台输出，我们可以看到聚类后得到了16个类的中心点（聚类结果）
• 根据图像处理结果显示，根据聚类结果的16个聚类中心点rgb颜色值，对原图像进行映射处理后，将原图像中的像素点进行了根据其类别的颜色映射。

1. 尝试改变聚类数量

   • 由16类到6类）
     可以看到，类别减少后，聚类结果得到6个聚类中心点，原图像更加平滑，更加抽象，不如原图像精细。
     

2. 更改聚类图片，不同图像颜色聚类效果：
   

可以看到，不同图像，由于像素数值不同，聚类结果以及聚类效果也不同