Scipy-kmeans聚类色彩提取

最新推荐文章于 2021-11-12 01:31:06 发布

fennekin

最新推荐文章于 2021-11-12 01:31:06 发布

阅读量1k

点赞数

文章标签：聚类 kmeans

本文链接：https://blog.csdn.net/fennekin/article/details/121279727

版权

本文介绍了如何运用K-means聚类算法进行色彩提取，首先阐述了kmeans聚类的基本原理，即通过最小化簇内点间距离最大化簇间距离来划分样本。接着，通过一个聚类示例展示了算法的应用。然后，详细讲解了如何对图像进行色彩聚类，包括生成缩略图和提取色彩及频次。虽然在尝试将色彩聚类应用于Flask时遇到了端口问题，但经过新建项目后已成功运行。

摘要由CSDN通过智能技术生成

kmeans聚类原理：对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。

所以就算开始给定的聚类中心看上去非常离谱，样本与其之间的距离依然存在差距，仍可以被划分为不同类，经过不断优化后成为界限清晰的类别。

一、聚类示例

在写正式的程序之前，可以用简单数据做个demo

import numpy as np
from scipy.cluster.vq import vq, kmeans, whiten
import matplotlib.pyplot as plt

fe = np.array([[1.9,2.0],
                     [1.7,2.5],
                     [1.6,3.1],
                     [0.1,0.1],
                     [0.8,0.3],
                     [0.4,0.3],
                     [0.22,0.1],
                     [0.4, 0.3],
                     [0.4,0.5],
                     [1.8,1.9]])

book = np.array((fe[0], fe[1]))
print(type(book))
print("book: \n",book)

codebook, distortion = kmeans(fe, book)
# 可以写kmeans(wf,2)， 2表示两个质心，同时启用iter参数
print("codebook:", codebook) #cod