HDU杭电--机器学习实验考试

一、 实验目的

• 1 、理解无监督学习中 Kmeans 算法原理

• 2 、掌握 Sklearn 实现基于 Kmeans 的图像分割

二、 实验内容与要求

1 、该代码属于无监督学习 , 使用了 K-means 聚类算法。无监督学习

是一种无需标签的学习方法，模型从数据的内部结构中学习，将数据

分组或聚类。

2 、核心函数：

· KMeans(n_clusters=4).fit_predict(imgData)

输入：归一化后的图像数据 imgData 。

输出：每个像素点所属的簇标签数组 label ，其中每个标签表示该

像素属于哪个聚类簇。

· loadData(filePath)

输入：图像文件的路径 filePath 。

输出：一个包含归一化后的像素 RGB 值的 NumPy 数组 data ，以

及图像的宽度 m 和高度 n 。

以上代码使用了无监督学习中的 K-means 聚类算法对图像进行颜

色聚类和分割。首先，加载并处理图像数据；然后使用 K-means 算法

对像素进行聚类；最后根据聚类结果重新生成和保存处理后的图像。 3 、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到广泛的应用。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。

4 、实例描述

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

5 、实验过程

·使用算法 :Kmeans

·实现步骤 :

（ 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

三、 实验程序与结果

import numpy as np # 用于处理处理数值计算和数组操作

import PIL.Image as image #Python Imaging Library ，用于处理图像数据

from sklearn.cluster import KMeans # 执行 K-means 聚类

def loadData (filePath): # 打开指定路径的图像文件并读取其内容。

f = open (filePath, 'rb' ) # 打开图像文件，获取尺寸

data = [] # 存储归一化后的像素值

img = image.open(f) # 使用 PIL 库打开图像

m, n = img.size # 获取图像的尺寸（宽度和高度）

# 遍历图像的每个像素点，获取其 RGB 值并归一化到 [0, 1] 范围内。

for i in range (m): # 图像的宽度

for j in range (n): # 图像的高度

x, y, z = img.getpixel((i, j)) # 获取像素点 (i, j) 处的 RGB 值

data.append([x / 256.0 , y / 256.0 , z / 256.0 ]) # 归一化像素值并存储

f.close() # 关闭文件

return np.array(data), m, n # 返回归一化后的像素值数组和图像尺寸， np.array ，包含归

一化后像素值的数组

# 加载并处理图像数据，函数加载图像数据，并获取图像的行数 row 和列数 col 。 imgData, row, col = loadData( ' 处理之前的图片 .jpg' )

# 使用 K-means 聚类算法对图像进行颜色聚类，得到每个像素点所属的簇标签

label = KMeans( n_clusters = 4 ).fit_predict(imgData)

# 将聚类标签重塑为与原图像尺寸相同的矩阵，将一维的聚类标签数组重塑为二维矩阵

label = label.reshape([row, col])

# 创建一个新的灰度图像对象，建一个新的灰度图像，大小与原图相同

pic_new = image.new( "L" , (row, col))

# 根据聚类结果为每个像素设置灰度值，并存储处理后的图像

for i in range (row):

for j in range (col):

pic_new.putpixel((i, j), int ( 256 / (label[i][j] + 1 )))

# 将处理后的图像保存为 JPEG 格式文件

pic_new.save( " 处理后的图片 .jpg" , "JPEG" )

四、实验结果分析

原始图像展示了图像的所有细节和颜色，包含大量的颜色信息和细

节。分割后的图像使用 4 个聚类中心颜色替换原图中的颜色，从而将

图像简化为 4 个主要颜色区域。这些颜色区域代表了图像中的主要颜

色成分，去除了细节颜色的干扰，使图像更加简洁，突出了主要颜色

区域。

聚类效果依赖于图像的内容和颜色分布。对于颜色差异明显的图

像，聚类效果较好，可以清晰地区分不同颜色区域。对于颜色渐变和

细节丰富的图像，聚类可能会导致一些细节丢失，但仍能突出主要颜

色区域。

五、实验问题解答与体会

通过本次实验，我深刻体会到了图像处理的基础知识和 K-means 聚

类算法在图像分割中的实际应用。加载图像、处理像素值和转换图像

格式的过程加深了我对图像处理技术的理解。通过实施 K-means 聚类

算法，对图像像素进行颜色聚类，并将聚类结果应用于图像分割，使

我直观地理解了聚类算法的原理和效果。

此外，通过对实验结果的分析，我认识到 K-means 聚类在图像分割

中的应用效果较好，但仍有改进空间，如调整聚类数量和进行图像的

预处理与后处理